Mathematische Einführung in Data Science

Dieses Lehrbuch richtet sich an Studierende der Mathematik ab dem dritten Studienjahr. Basierend auf den mathematischen Grundvorlesungen werden kanonische Themen aus den Bereichen Data Science und Machine Learning durchgenommen. Dabei stehen rigorose Beweise und ein systematisches Verständnis der zugrundeliegenden Ideen im Vordergrund.

Der Text wird abgerundet durch 121 unterrichtserprobte Aufgaben. Behandelte Themen sind u. a. k-nächste Nachbarn, lineare und logistische Regression, Clustering, bestpassende Unterräume, Hauptkomponentenanalyse, Dimensionalitätsreduktion, kollaboratives Filtern, Perzeptron, Support-Vector-Maschinen und neuronale Netze.

Vorwort. - 1 Was ist Data (Science)? . - 2 Affin-lineare, polynomiale und logistische Regression. - 3 k-nächste Nachbarn. - 4 Clustering. - 5 Graphenclustering. - 6 Bestpassende Unterräume. - 7 Singulärwertzerlegung. - 8 Fluch und Segen der hohen Dimension. - 9 Maßkonzentration. - 10 Gaußsche Zufallsvektoren in hohen Dimensionen. - 11 Dimensionalitätsreduktion à la Johnson-Lindenstrauss. - 12 Trennung von Gaußianen und Parameteranpassung. - 13 Perzeptron. - 14 Support-Vector-Maschinen. - 15 Kernmethode. - 16 Neuronale Netze. - 17 Gradientenverfahren für konvexe Funktionen. - A Ausgewählte Resultate der Wahrscheinlichkeitstheorie. - Literaturverzeichnis. - Stichwortverzeichnis.