From 1e9538ca65931e2412b4770bdb366e7db277ca26 Mon Sep 17 00:00:00 2001
From: paul-loedige <paul@gve-loedige.de>
Date: Fri, 5 Feb 2021 15:49:14 +0100
Subject: [PATCH] =?UTF-8?q?=C3=84hnlichkeitsbasiertes=20Lernen=20hinzugef?=
 =?UTF-8?q?=C3=BCgt?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 .../Fehlerbasiertes Lernen.tex                |  2 +
 .../Ähnlichkeitsbasiertes Lernen.tex          | 44 +++++++++++++++++++
 parts/Maschinelles Lernen.tex                 |  1 +
 3 files changed, 47 insertions(+)
 create mode 100644 chapters/Maschinelles Lernen/Fehlerbasiertes Lernen.tex
 create mode 100644 chapters/Maschinelles Lernen/Ähnlichkeitsbasiertes Lernen.tex

diff --git a/chapters/Maschinelles Lernen/Fehlerbasiertes Lernen.tex b/chapters/Maschinelles Lernen/Fehlerbasiertes Lernen.tex
new file mode 100644
index 0000000..3489452
--- /dev/null
+++ b/chapters/Maschinelles Lernen/Fehlerbasiertes Lernen.tex	
@@ -0,0 +1,2 @@
+\chapter{Fehlerbasiertes Lernen}
+\label{error-based learning}
\ No newline at end of file
diff --git a/chapters/Maschinelles Lernen/Ähnlichkeitsbasiertes Lernen.tex b/chapters/Maschinelles Lernen/Ähnlichkeitsbasiertes Lernen.tex
new file mode 100644
index 0000000..be0ec09
--- /dev/null
+++ b/chapters/Maschinelles Lernen/Ähnlichkeitsbasiertes Lernen.tex	
@@ -0,0 +1,44 @@
+\chapter{Ähnlichkeitsbasiertes Lernen}
+\label{similarity-based learning}
+    Beim \say{ähnlichkeitsbasiertem Lernen} geht man von der Annahme aus, dass sich zwei ähnliche Objekte vermutlich in die gleiche Klasse einordnen lassen.
+    Um dieses Lernverfahren zu verwenden wird ein Maß für die Ähnlichkeit benötigt.
+
+    \section{Ähnlichkeitsmaß}
+    \label{aehnlichkeitsmass}
+        \paragraph{Euklidischer Abstand}
+            \large
+            $$dist_e(a,b))\sqrt{\sum^n_{i=1}\left(a[i]-b[i]\right)^2}$$
+            \normalsize
+
+        \paragraph{Manhattan-Metrik}
+            \large
+            $$dist_m(a,b)=\sum^n_{i=1}|a[i]-b[i]|$$
+            \normalsize
+
+    \section{K-Nächste-Nachbarn}
+    \label{k-nearest-neighbour}
+        Beim \say{K-Nächste-Nachbarn}-Verfahren wird dem System eine Reihe von gelabelten Trainingsdaten übergeben.
+        Für die Klassifizierung erfolgt durch
+        \begin{enumerate}
+            \item Berechnung des Ähnlichkeitsmaßes (\ref{aehnlichkeitsmass})/ der Distanz zu allen bekannten Punkten
+            \item Klassifizierung der Daten durch ein Mehrheitsvotum der $k$ nächsten Nachbarn
+        \end{enumerate}
+        
+        \subsection{gewichtete K-Nächste-Nachbarn}
+        \label{weight k-nearest-neighbour}
+            Eine Abwandlung des K-Nächste-Nachbarverfahren, bei dem nicht einfach nach Mehrheit entschieden wird.
+            Stattessen werden die \say{Stimmen} der $k$ nächsten Nachbarn nach ihrem Abstand zum neuen Punkt gewichtet.
+            $$class(q)=\arg\max_{l\in level(y)}\sum^k_{i=1}\frac{1}{dist(q,d_i)^2}\cdot\delta(y_i,l)$$
+            $$\delta(y,l)=\begin{cases}
+                1 &\text{wenn }y=l\\
+                0 &\text{sonst}
+            \end{cases}$$
+
+        \subsection{Normalisierung}
+        \label{k-nearest-neighbour}
+            Da unterschiedliche Wertebereiche der verschiedenen Features einen großen Einfluss auf den K-Nächsten Nachbarn haben müssen sie normalisiert werden.
+            Hierbei ist es üblich alle Merkmale auf das Intervall $[0,1]$ zu normalisieren.
+            z.B. durch
+            \large
+            $$a'_i=\frac{a_i-\min(a_i)}{\max(a_i)-\min(a_i)}$$
+            \normalsize
\ No newline at end of file
diff --git a/parts/Maschinelles Lernen.tex b/parts/Maschinelles Lernen.tex
index 6a3f268..1f9c023 100644
--- a/parts/Maschinelles Lernen.tex	
+++ b/parts/Maschinelles Lernen.tex	
@@ -4,4 +4,5 @@
 \input{chapters/Maschinelles Lernen/Einführung.tex}
 \input{chapters/Maschinelles Lernen/Informationsbasiertes Lernen.tex}
 \input{chapters/Maschinelles Lernen/Lernbarkeit.tex}
+\input{chapters/Maschinelles Lernen/Ähnlichkeitsbasiertes Lernen.tex}
 \input{chapters/Maschinelles Lernen/Reinforcement Learning.tex}
\ No newline at end of file