Informationsgesteuertes maschinelles Lernen

Dieses innovative Lehrbuch revolutioniert das maschinelle Lernen durch neue Informationsmessungsmethoden. Es basiert auf einem Seminar der UC Berkeley und zielt darauf ab, die Black-Box-Natur des maschinellen Lernens zu überwinden, indem es Datenqualitätsmessungen und A-priori-Schätzungen der Aufgabenkomplexität ermöglicht. Dies führt zu kleineren, erklärbareren und robusteren Modellen.

Das Lehrbuch verbindet maschinelles Lernen mit Physik, Informationstheorie und Computertechnik und ist für ein breites Publikum verständlich. Es hinterfragt bestehende Branchenpraktiken und behandelt Themen wie Deep Learning und Datendrift. Geeignet für Akademiker und Industrieprofis, fördert es ein tiefgreifendes Verständnis von Data Science und lädt Leser ein, über konventionelle Ansätze hinauszudenken. Anstatt sich ausschließlich auf das "Wie" zu konzentrieren, bietet dieser Text Antworten auf die "Warum"-Fragen, die das Fachgebiet durchdringen, und beleuchtet die zugrunde liegenden Prinzipien maschineller Lernprozesse und ihre praktischen Auswirkungen. Indem dieses Buch systematische Methoden bevorzugt, die auf physikalischen Grundprinzipien basieren, stellt es Branchenpraktiken in Frage, die oft aus ideologischen oder gewinnorientierten Motivationen entstanden sind. Es behandelt eine Reihe von Themen, darunter Deep Learning, Datendrift und MLOps, und nutzt ausgiebig grundlegende Konzepte wie Entropie, Kapazität und hohe Dimensionalität.

Dieses Buch ist sowohl für Hochschul- als auch für Industrieprofis geeignet und dient als wertvolles Werkzeug für diejenigen, die ihr Verständnis von Data Science als Ingenieurdisziplin vertiefen möchten. Der zum Nachdenken anregende Inhalt regt die intellektuelle Neugier an und richtet sich an Leser, die mehr wollen als nur Code oder vorgefertigte Formeln. Der Text lädt die Leser dazu ein, über konventionelle Standpunkte hinauszuforschen und bietet eine alternative Perspektive, die eine umfassende Sichtweise für die Integration