Eigene KI-Anwendungen programmieren

Produktbeschreibung

KI-Anwendungen selbst erstellen und mit eigenen Daten nutzen - mit frei verfügbarer Technologie, lokaler Hardware und ohne Programmiervorkenntnisse

KI-Technologie wird in atemberaubendem Tempo immer zugänglicher. Mit diesem Buch lernen Sie einschlägige KI-Verfahren kennen und setzen für jedes dieser Verfahren eine Anwendung selbst um. Dafür nutzen Sie die Data-Science-Plattformen KNIME oder Orange - ideal, um eigene Daten aus unterschiedlichen Quellen zu integrieren und mit rein grafischer Programmierung auszuwerten. Mit Übungen und Musterlösungen zu jedem Verfahren.

Autor und KI-Experte Metin Karatas führt Sie in die Welt von TensorFlow und Keras ein und zeigt Ihnen, wie Sie Anwendungen in einfachem Python erstellen können. Alle vorgestellten Projekte sind in der beruflichen Bildung erprobt und haben sich als effektiv erwiesen. So bereichern Sie Ihre Skills mit einem modernen Werkzeugkasten, mit dem Sie maschinelles Lernen in der Datenanalyse, dem Controlling und vielen weiteren Anwendungsfeldern nutzen können.

Alle Codebeispiele zum Download; Jupyter Notebooks erleichtern die Arbeit mit dem Material zum Buch. Starten Sie jetzt mit Ihrer eigenen KI!

Aus dem Inhalt:

* Installation und Konfiguration der Werkzeuge

* Mit verschiedenen Datenquellen arbeiten

* Visuelle Programmierung ohne Code

* Anomalieerkennung

* Convolutional Neural Networks

* Zeitreihenanalysen

* Transfer Learning

* Unsupervised Learning

* Reinforcement Learning

* Evolutionäre Algorithmen

* Texte und Bilder generieren

* ChatGPT und DALL-E 

Inhaltsverzeichnis

Materialien zum Buch ... 15


1. Einleitung ... 17



1.1 ... Was bietet dieses Buch? ... 18


1.2 ... Was ist eine ¯künstliche Intelligenz®? ... 19


1.3 ... Geschichte der KI -- ein kurzer Überblick ... 21


1.4 ... Verwendete Werkzeuge ... 23





2. Installation von Anaconda ... 29



2.1 ... Windows und macOS ... 29


2.2 ... Linux ... 30


2.3 ... Konfiguration und Test ... 31





3. Das künstliche neuronale Netz ... 39



3.1 ... Klassifizierung ... 40


3.2 ... Das Kochrezept ... 42


3.3 ... Aufbau künstlicher neuronaler Netze ... 46


3.4 ... Aufbau eines künstlichen Neurons ... 48


3.5 ... Feed Forward ... 50


3.6 ... Backpropagation ... 52


3.7 ... Aktualisierung der Gewichte ... 55


3.8 ... KNN für Klassifizierung ... 58


3.9 ... Hyperparameter und Overfitting ... 66


3.10 ... Umgang mit nichtnumerischen Daten ... 69


3.11 ... Umgang mit Datenlücken ... 71


3.12 ... Korrelation versus Kausalität ... 73


3.13 ... Normierung der Daten ... 81


3.14 ... Regression ... 84


3.15 ... Deployment ... 87


3.16 ... Übungen ... 93





4. Entscheidungsbäume ... 95



4.1 ... Einfache Entscheidungsbäume ... 96


4.2 ... Boosting ... 108


4.3 ... XGBoost Regressor ... 118


4.4 ... Deployment ... 120


4.5 ... Übungen ... 121





5. Faltungsschichten, Bilder und mehr ... 123



5.1 ... Einfache Bildklassifizierung ... 125


5.2 ... Hyperparameter-Optimierung mit Early Stopping und KerasTuner ... 130


5.3 ... Convolutional Neural Network (CNN) ... 135


5.4 ... Bildklassifizierung mit CIFAR-10 ... 142


5.5 ... Verwendung vortrainierter Netze ... 146


5.6 ... Übungen ... 150





6. Transfer Learning ... 151



6.1 ... Funktionsweise ... 154


6.2 ... Übungen ... 161





7. Anomalieerkennung ... 163



7.1 ... Unausgewogene Daten ... 164


7.2 ... Resampling ... 169


7.3 ... Autoencoder ... 171


7.4 ... Übungen ... 178





8. Textklassifizierung ... 179