Einleitung hinzugefügt.

ML_Zusammenfassung.tex

@@ -1,4 +1,4 @@
-\documentclass[ngerman,regno,a4paper,12pt,oneside,hidelinks]{scrbook}
+\documentclass[ngerman,regno,a4paper,11pt,oneside,hidelinks]{scrbook}
 %page format
 \usepackage[
     a4paper,
@@ -27,7 +27,11 @@
 
     % {{{ Main Content%
     \pagenumbering{arabic}
+    \part{Einleitung}
+    \input{chapters/Einleitung.tex}
+
     \part{Classical Supervised Learning}
+    \label{part:Classical Supervised Learning}
     \input{chapters/Classical_Supervised_Learning/Linear_Regression.tex}
     \input{chapters/Classical_Supervised_Learning/Ridge_Regression.tex}
     \input{chapters/Classical_Supervised_Learning/Linear_Classification.tex}
@@ -37,20 +41,24 @@
     \clearpage
 
     \part{Classical Unsupervised Learning}
+    \label{part:Classical Unsupervised Learning}
     \input{chapters/Classical_Unsupervised_Learning/Dimensionality_Reduction_and_Clustering.tex}
     \input{chapters/Classical_Unsupervised_Learning/Density_Estimation_and_Mixture_Models.tex}
     \clearpage
 
     \part{Kernel Methods}
+    \label{part:Kernel Methods}
     \input{chapters/Kernel_Methods/Kernel-Regression.tex}
     \input{chapters/Kernel_Methods/Support_Vector_Machines.tex}
     \clearpage
 
     \part{Bayesian Learning}
+    \label{part:Bayesian Learning}
     \input{chapters/Bayesian_Learning/Bayesian_Linear_Regression_and_Gaussian_Processes.tex}
     \clearpage
 
     \part{Neural Networks}
+    \label{part:Neural Networks}
     \input{chapters/Neural_Networks/Neural_Networks_and_Backpropagation.tex}
     \input{chapters/Neural_Networks/CNNs_and_LSTMs.tex}
     \input{chapters/Neural_Networks/Variational_Auto-Encoders.tex}

chapters/Einleitung.tex

@@ -0,0 +1,74 @@
+\chapter{Einleitung}%
+\label{cha:Einleitung}
+
+\section{Was ist Lernen?}%
+\label{sec:Was ist Lernen?}
+Unter \say{Lernen} versteht man im allgemeinen die Erstellung oder Anpassung eines repräsentativen Abbild der Wirklichkeit.
+Hierbei wird mithilfe äußerer Eindrücke versucht,
+das Abbild so weit an die Wirklichkeit anzunähern,
+dass sich sinnvolle Vorhersagen machen lassen.
+
+\subsection{Was ist Maschinelles Lernen?}%
+\label{sub:Was ist Maschinelles Lernen?}
+Man spricht vom Maschinellen Lernen,
+bei Algorithmen,
+die durch ihre Anwendung auf einen Satz von Trainingsdaten dazu in der Lage sind,
+Parameter zu lernen,
+die eine Vorhersage von bestimmten Eigenschaften unbekannter Eingangsdaten ermöglicht.
+Dies ist besonders nützlich bei:
+\begin{itemize}
+    \item kein Expertenwissen vorhanden ist
+    \item nicht bekannt ist, wie der Mensch die Daten verarbeitet (z.B. Gesichts-, Handschrifterkennung)\\(Black-box expert knowledge)
+    \item sich schnell wandelnden Vorkommnissen (z.B. Bonitätsbewertung)\\ (Fast changing phenomena)
+    \item Personalisierung (z.B. Filmempfehlungen)\\ (Customization/personalization)
+\end{itemize}
+
+Hierbei teilt sich der Algorithmus im Allgemeinen in 3 Teile auf:
+\begin{enumerate}
+    \item Representation: Abbildung der realen Welt
+    \item Evaluation: Bewertung des aktuellen Abbildes auf Basis eingehender Daten
+    \item Optimization: Optimierung des Abbildes
+\end{enumerate}
+
+\section{Entwicklung der Künstlichen Intelligenz}%
+\label{sec:Entwicklung der Künstlichen Intelligenz}
+Künstliche Intelligenz entwickelt sich aktuell enorm schnell.
+Dies liegt vor allem an den folgenden Einflüssen:
+\begin{itemize}
+    \item zunehmende Menge an Trainingsdaten
+        \begin{itemize}
+            \item \say{when you go from 10,000 training examples to 10 billion training examples, it all starts to workd. Data trumps everything.}
+        \end{itemize}
+    \item mehr Rechenleistung (Moore's Law)
+    \item neue Algorithmen
+\end{itemize}
+
+\section{Arten von Maschinellem Lernen}%
+\label{sec:Arten von Maschinellem Lernen}
+\begin{itemize}
+    \item Supervised Learning (siehe \autoref{part:Classical Supervised Learning}): Trainingsdaten mit vorgegebenen Ergebnissen
+        \begin{itemize}
+            \item Regression: Erlernen einer kontinuierlichen Funktion
+            \item Classification: Erlernen von Klassenzuordnungen anhand der Elementeigenschaften
+        \end{itemize}
+    \item Unsupervised Learning (siehe \autoref{part:Classical Unsupervised Learning}): Trainingsdaten \textbf{ohne} vorgegebenen Ergebnissen
+        \begin{itemize}
+            \item Clustering: Gruppieren von Elementen mit ähnlichen Eigenschaften
+            \item Dimensionality Reduction: Reduktion der Featuredimension der Eingangsdaten
+        \end{itemize}
+    \item Reinforcement Learning (nicht relevant für dieses Fach): keine vorgegebenen Ergebnisse, aber Bewertung der Ausgabewerte des Algorithmus'
+\end{itemize}
+
+\section{Anwendungsbeispiele}%
+\label{sec:Anwendungsbeispiele}
+\begin{itemize}
+    \item Handschrifterkennung: Klassifizierungsproblem
+    \item Gesichtserkennung: Klassifizierungsproblem
+    \item Börsenkursvorhersage: Regressionsproblem
+    \item Spam-Filter: Klassifikationsproblem (Spam oder kein Spam)
+    \item Sprachübersetzung
+    \item personalisierte Produktempfehlungen
+    \item und viele mehr
+\end{itemize}
+
+