====== std.ml_full ======

Erweiterte Machine-Learning-Algorithmen und Modelle: Deep Learning Layers, Convolutional Networks, Rekurrente Netze (LSTM), Gradient Boosting und Ensemble-Methoden. Aufbauend auf ''std.ml'' mit schwergewichtigen Implementierungen für Produktionseinsatz.

→ [[lyx_-_programmiersprache:units:ml|std.ml]] · [[lyx_-_programmiersprache:units|Standard Library]]

----

===== Überblick =====

| Bereich | Algorithmen |
| Neural Networks | Dense Layer, Conv2D, MaxPool, LSTM, GRU, Dropout, BatchNorm |
| Gradient Boosting | XGBoost-kompatibles API, LightGBM-Stil |
| Ensemble | Random Forest (voll), Voting Classifier, Stacking |
| Optimierer | SGD, Adam, AdaGrad, RMSProp |
| Verlustfunktionen | MSE, CrossEntropy, Hinge, Huber |

----

===== Verwendung (Neural Network) =====

<code lyx>
import std.ml_full;

// Sequenzielles Netz aufbauen
var net: MlNet := MlNetNew();
MlNetAddDense(net, 128, ML_ACTIVATION_RELU);
MlNetAddDropout(net, 0.3);
MlNetAddDense(net, 64, ML_ACTIVATION_RELU);
MlNetAddDense(net, 10, ML_ACTIVATION_SOFTMAX);

// Kompilieren
MlNetCompile(net, ML_OPT_ADAM, ML_LOSS_CROSS_ENTROPY, 0.001);

// Training
MlNetFit(net, xTrain, yTrain, nSamples, 50, 32);  // 50 Epochen, Batch 32

// Vorhersage
var pred: pchar := MlNetPredict(net, xTest, nTest);
MlNetFree(net);
</code>

----

===== Konstanten =====

^ Konstante ^ Beschreibung ^
| ''ML_ACTIVATION_RELU'' | ReLU-Aktivierung |
| ''ML_ACTIVATION_SIGMOID'' | Sigmoid-Aktivierung |
| ''ML_ACTIVATION_TANH'' | Tanh-Aktivierung |
| ''ML_ACTIVATION_SOFTMAX'' | Softmax (Ausgabeschicht Klassifikation) |
| ''ML_OPT_SGD'' | Stochastic Gradient Descent |
| ''ML_OPT_ADAM'' | Adam-Optimierer |
| ''ML_OPT_RMSPROP'' | RMSProp-Optimierer |
| ''ML_LOSS_MSE'' | Mean Squared Error |
| ''ML_LOSS_CROSS_ENTROPY'' | Kreuzentropie (Klassifikation) |
| ''ML_LOSS_HUBER'' | Huber-Verlust (robust gegen Ausreißer) |

----

===== Funktionen =====

^ Signatur ^ Sichtbarkeit ^ Beschreibung ^
| ''MlNetNew(): MlNet'' | pub | Erzeugt neues sequenzielles Netz |
| ''MlNetAddDense(net: MlNet, units: int64, activation: int64): void'' | pub | Fügt vollverbundene Schicht hinzu |
| ''MlNetAddDropout(net: MlNet, rate: f64): void'' | pub | Fügt Dropout-Regularisierung hinzu |
| ''MlNetAddConv2D(net: MlNet, filters: int64, kernelSize: int64, activation: int64): void'' | pub | Fügt Conv2D-Schicht hinzu |
| ''MlNetAddLSTM(net: MlNet, units: int64): void'' | pub | Fügt LSTM-Schicht hinzu |
| ''MlNetCompile(net: MlNet, optimizer: int64, loss: int64, lr: f64): void'' | pub | Konfiguriert Training |
| ''MlNetFit(net: MlNet, x: pchar, y: pchar, n: int64, epochs: int64, batchSize: int64): void'' | pub | Trainiert das Netz |
| ''MlNetPredict(net: MlNet, x: pchar, n: int64): pchar'' | pub | Gibt Vorhersagen für n Samples zurück |
| ''MlNetSave(net: MlNet, path: pchar): void'' | pub | Speichert Modell im LFD-Format |
| ''MlNetLoad(path: pchar): MlNet'' | pub | Lädt Modell aus LFD-Datei |
| ''MlNetFree(net: MlNet): void'' | pub | Gibt Netz-Ressourcen frei |
| ''MlGradBoostNew(maxDepth: int64, nTrees: int64, lr: f64): MlGradBoost'' | pub | Erzeugt Gradient-Boosting-Modell |
| ''MlGradBoostFit(m: MlGradBoost, x: pchar, y: pchar, n: int64): void'' | pub | Trainiert Gradient Boosting |
| ''MlGradBoostPredict(m: MlGradBoost, x: pchar, n: int64): pchar'' | pub | Vorhersage mit Gradient Boosting |
| ''MlGradBoostFree(m: MlGradBoost): void'' | pub | Gibt Modell-Ressourcen frei |

Letzte Aktualisierung: 2026-05-22