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.

→ std.ml · 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)

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);

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