Eigene KI-Anwendungen programmieren

Dekorationsartikel gehören nicht zum Leistungsumfang.

Sprache: Deutsch

29,90 €

inkl. MwSt.

Versandkostenfrei per Post / DHL

auf Lager, Lieferzeit 1-2 Werktage

Kategorien:

Beschreibung

KI-Anwendungen selbst erstellen und mit eigenen Daten nutzen - das ist möglich: mit frei verfügbarer Technologie, lokaler Hardware und sogar ohne Programmierkenntnisse.

Die KI-Technologie wird in atemberaubendem Tempo immer zugänglicher. Mit diesem Buch sind Sie immer einen Schritt voraus. Lernen Sie einschlägige KI-Verfahren kennen und setzen Sie für jedes dieser Verfahren eine Anwendung selbst um. Dafür nutzen Sie die Data Science Plattform KNIME - ideal, um eigene Daten aus unterschiedlichen Quellen zu integrieren und mit rein grafischer Programmierung Anwendungen zu erstellen.

Das Buch deckt eine Reihe von Themen ab, darunter:

Künstliche neuronale Netze
Entscheidungsbäume
Bilderkennung
Convolutional Neural Networks
Transfer Learning
Textgenerierung
Unsupervised und Reinforcement Learning
Transformer: ChatGPT, DALL-E und Co.

Außerdem führen wir Sie in die Welt von TensorFlow und Keras ein und zeigen 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

Die Fachpresse zur Vorauflage:

Revisionspraxis PRev - Journal für Revision, IT-Sicherheit,

SAP-Sicherheit und Datenschutz: 'Eine wertvolle Ressource und Empfehlung für jeden, der die Faszination und das Potenzial künstlicher Intelligenz erkunden und eigene Projekte realisieren möchte.'

LINUX MAGAZIN: 'Karatas vermittelt dem Leser in einem reich bebilderten Werk eine Unmenge von Hintergrundinformationen und geht somit weit über klassische Klicktutorials hinaus. Der etwas höhere Lernaufwand wirkt ob des Erkenntnisgewinns auf jeden Fall gerechtfertigt.'

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

Über den Autor

Metin Karatas war der erste Lehrer des neu eingerichteten Schulfaches "Künstliche Intelligenz" in Bayern und ist Mitglied der entsprechenden Lehrplankommission. Der Ingenieur der Elektro- und Informationstechnik unterrichtet außerdem Programmierung, Elektrotechnik, Projektmanagement und mehr an einer Technikerschule für berufliche Bildung. Es begeistert ihn, modernste Technologien zu erforschen und das theoretische Verständnis mit praktischer Erfahrung zu verknüpfen.

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

8.1 ... Embedding Layer ... 179

8.2 ... GlobalAveragePooling1D Layer ... 183

8.3 ... Text Vectorization ... 185

8.4 ... Analyse der Zusammenhänge ... 188

8.5 ... Klassifizierung großer Datenmengen ... 193

8.6 ... Übungen ... 196

9. Clusteranalyse ... 197

9.1 ... Grafische Analyse der Daten ... 198

9.2 ... Der Algorithmus k-Means-Clustering ... 203

9.3 ... Das fertige Programm ... 206

9.4 ... Übungen ... 209

10. Visuelle Programmierung mit Orange ... 211

10.1 ... Installation ... 211

10.2 ... Klassifizierung mit Entscheidungsbaum ... 213

10.3 ... Regression mit Entscheidungsbaum ... 220

10.4 ... Deployment ... 221

10.5 ... Klassifizierung mit KNN ... 223

10.6 ... Regression mit KNN ... 227

10.7 ... Bildklassifizierung mit XGBoost ... 229

10.8 ... Unüberwachte Klassifizierung von Bildern ... 230

10.9 ... Textklassifizierung mit XGBoost ... 234

10.10 ... Übungen ... 236

11. Visuelle Programmierung mit KNIME ... 239

11.1 ... Installation ... 240

11.2 ... Einfache künstliche neuronale Netze ... 245

11.3 ... XGBoost ... 267

11.4 ... Bildklassifizierung mit vortrainiertem Modell ... 271

11.5 ... Transfer Learning ... 277

11.6 ... Autoencoder ... 284

11.7 ... Textklassifizierung ... 292

11.8 ... AutoML ... 297

11.9 ... Clusteranalyse ... 301

11.10 ... Zeitreihenanalyse ... 306

11.11 ... Weitere Hinweise zu KNIME ... 322

11.12 ... Übungen ... 322

12. Reinforcement Learning ... 325

12.1 ... Q-Learning ... 327

12.2 ... Erforderliche Python-Kenntnisse für das Spiel ... 332

12.3 ... Training ... 337

12.4 ... Test ... 340

12.5 ... Ausblick ... 341

12.6 ... Übungen ... 342

13. Genetische Algorithmen ... 343

13.1 ... Der Algorithmus ... 344

13.2 ... Beispiel einer sortierten Liste ... 348

13.3 ... Beispiel für Gleichungssysteme ... 351

13.4 ... Beispielanwendung aus der Praxis ... 353

13.5 ... Übungen ... 357

14. ChatGPT und Gemini ... 359

14.1 ... Prompt Engineering ... 362

14.2 ... Programmierschnittstelle ... 375

14.3 ... Übung ... 392

15. DALL-E und Imagen ... 393

15.1 ... Bildgenerierung ... 394

15.2 ... Übung 1: API mit Moderation ... 402

16. Ausblick ... 403
Anhang ... 403

A ... Lösungen ... 405

B ... Literaturhinweise ... 441

Index ... 443

Erscheinungsjahr:	2025
Fachbereich:	Programmiersprachen
Genre:	Informatik , Mathematik , Medizin , Naturwissenschaften , Technik
Rubrik:	Naturwissenschaften & Technik
Medium:	Taschenbuch
Reihe:	Rheinwerk Computing
Inhalt:	446 S.
ISBN-13:	9783367108398
ISBN-10:	3367108391
Sprache:	Deutsch
Herstellernummer:	459/10839
Einband:	Klappenbroschur
Autor:	Karatas, Metin
Auflage:	2. Auflage
Hersteller:	Rheinwerk Verlag GmbH
Verantwortliche Person für die EU:	Rheinwerk Verlag GmbH, Rheinwerkallee 4, D-53227 Bonn, service@rheinwerk-verlag.de
Maße:	226 x 167 x 27 mm
Von/Mit:	Metin Karatas
Erscheinungsdatum:	07.08.2025
Gewicht:	0,83 kg