Jens Gaulke: KI-Algorithmen mit Python

Cover: 9783367114801 | KI-Algorithmen mit Python | Jens Gaulke | Taschenbuch | 500 S. | 2026

Dekorationsartikel gehören nicht zum Leistungsumfang.

Sprache: Deutsch

34,90 €

inkl. MwSt.

Versandkostenfrei per Post / DHL

auf Lager, Lieferzeit 1-2 Werktage

Kategorien:

Beschreibung

Die codegestützte Einführung ins Machine Learning

In Zeiten von Claude, Gemini, ChatGPT und Co. ist längst bekannt: KI ist nicht gleich KI. In diesem Buch lernen Sie die zentralen lernenden Algorithmen kennen, die Sie für Ausbildung und Beruf benötigen. Von K-Nearest Neighbours bis Reinforcement Learning zeigt Ihnen Jens Gaulke, wie Sie jeden dieser Algorithmen in Python von Grund auf implementieren. Mit vielen Übungen und Best Practices bleibt es praxisnah und codeorientiert: Denn wer KI verstehen will, muss sie selbst konstruieren.

Grundlegende KI-Algorithmen verstehen und in Python implementieren
Anwendungsfelder, Stolperfallen und Best Practices für jedes Verfahren
Inklusive Übungen zu den Grenzen der Algorithmen

Aus dem Inhalt:

Das richtige Software-Setup
Mathematische Grundlagen
K-Nearest Neighbours
Naive Bayes
Lineare und logistische Regression
K-Means Clustering
Entscheidungsbäume
Support-Vector-Maschinen
Neuronale Netze
Verstärkendes Lernen
KI und Ethik

Die codegestützte Einführung ins Machine Learning

Grundlegende KI-Algorithmen verstehen und in Python implementieren
Anwendungsfelder, Stolperfallen und Best Practices für jedes Verfahren
Inklusive Übungen zu den Grenzen der Algorithmen

Aus dem Inhalt:

Das richtige Software-Setup
Mathematische Grundlagen
K-Nearest Neighbours
Naive Bayes
Lineare und logistische Regression
K-Means Clustering
Entscheidungsbäume
Support-Vector-Maschinen
Neuronale Netze
Verstärkendes Lernen
KI und Ethik

Über den Autor

Jens Gaulke ist Diplominformatiker, der nach 14 Jahren Lehrtätigkeit nun seit 12 Jahren im Bereich Informationssicherheit arbeitet. Er unterrichtete am bib International College in Paderborn Programmierung, Game Development, Skriptsprachen, Netzwerke, Datenbanken, Betriebssysteme, IT-Sicherheit und Software Engineering. Diese breite Lehrerfahrung prägt seinen Schreibstil: technisch präzise, aber immer mit dem Leser im Blick. Heute arbeitet Jens Gaulke im Bereich Informationssicherheit bei Arvato Systems. Seine Schwerpunkte liegen auf ISMS, BCM, ISO-Normen, Cloud Computing und Künstlicher Intelligenz. Als Schulungsverantwortlicher für Security Awareness weiß er, wie man komplexe Themen verständlich vermittelt. In seiner Freizeit fotografiert er, wird von zwei Katzen regiert und schreibt. Seine Themen sind so vielfältig wie sein Werdegang: Spieleprogrammierung, maschinelles Lernen, Kryptographie und allgemeine Informatik. Hauptsache Python, Hauptsache praxisnah.

Inhaltsverzeichnis

Materialien zum Buch ... 21

Danksagung ... 23

1. Einleitung ... 25

1.1 ... Voraussetzungen und Haltung ... 26

1.2 ... Für wen ist dieses Buch geeignet? ... 27

1.3 ... Warum Python? ... 28

1.4 ... Wie wir in diesem Buch lernen ... 28

1.5 ... Mathematik ohne Angst ... 30

1.6 ... Machine Learning im Kontext von Data Science ... 31

1.7 ... Wie Sie mit diesem Buch arbeiten ... 32

1.8 ... Die Landschaft des Machine Learnings ... 33

1.9 ... Verstehen heißt Verantwortung übernehmen ... 36

2. Das Starter-Kit für KI-Algorithmen ... 37

2.1 ... Anaconda-Distribution ... 37

2.2 ... Arbeiten mit Jupyter Notebook ... 40

2.3 ... Module und Bibliotheken ... 41

2.4 ... Virtuelle Umgebungen ... 43

2.5 ... Exkurs: Bibliotheken reproduzierbar verwalten ... 44

2.6 ... Visual Studio Code ... 45

2.7 ... Testlauf ... 48

2.8 ... Von der Werkstatt zur Idee ... 51

3. Mathematik für KI-Algorithmen ... 53

3.1 ... Lineare Algebra und KI ... 55

3.2 ... Statistik und Datenverständnis ... 66

3.3 ... Wahrscheinlichkeit und Bayes-Theorem ... 81

3.4 ... Optimierung und Ableitungen ... 92

3.5 ... Generalisierung und das Bias-Varianz-Dilemma ... 102

3.6 ... Weiterführende Literatur ... 107

4. Data Science und KI-Algorithmen ... 109

4.1 ... Was ist Data Science? ... 110

4.2 ... Die Data-Science-Pipeline ... 110

4.3 ... Understand the Business ... 111

4.4 ... Data Acquisition ... 112

4.5 ... Einschub: Datenqualität ... 113

4.6 ... Data Cleaning ... 113

4.7 ... Exploratory Data Analysis ... 121

4.8 ... Feature Engineering ... 128

4.9 ... Machine Learning ... 130

4.10 ... Data Visualization ... 133

4.11 ... Weiterführende Literatur ... 134

5. Evaluationsmetriken ... 137

5.1 ... Metriken: Das Maß des Lernens ... 137

5.2 ... Von der Theorie zur Praxis ... 140

5.3 ... Unser Datensatz ... 141

5.4 ... Regression ... 143

5.5 ... Klassifikation ... 150

5.6 ... Clustering ... 162

5.7 ... Problemtyp und geeignete Evaluationsmetriken ... 172

5.8 ... Ausblick ... 173

5.9 ... Weiterführende Literatur ... 173

6. k-Nearest Neighbours ... 175

6.1 ... Was macht der Algorithmus eigentlich? ... 176

6.2 ... Wofür kann man die Methode verwenden? ... 177

6.3 ... Wie funktioniert die Methode? ... 177

6.4 ... Algorithmusbeschreibung ... 178

6.5 ... Beispiel: Katze oder Kaninchen ... 179

6.6 ... Mach's kaputt ... 184

6.7 ... Beispiel: Wisconsin Breast Cancer Dataset ... 186

6.8 ... Recommender-System ... 203

6.9 ... Eine Simulation in pygame ... 207

6.10 ... Grenzen von kNN ... 208

6.11 ... Weiterführende Literatur ... 209

7. Naive-Bayes-Klassifikator ... 211

7.1 ... Was macht der Algorithmus eigentlich? ... 212

7.2 ... Wofür kann man die Methode verwenden? ... 212

7.3 ... Was ist Spam? ... 213

7.4 ... Wie funktioniert die Methode? ... 213

7.5 ... Kurzbeschreibung des Naive-Bayes-Algorithmus ... 218

7.6 ... Beispiel: Spam oder Ham ... 219

7.7 ... Beispiel: Produkt-Sentiment-Bewertung ... 232

7.8 ... Eine Simulation in pygame ... 238

7.9 ... Mach's kaputt ... 239

7.10 ... Ethische Betrachtung von Naive Bayes ... 241

7.11 ... Grenzen von Naive Bayes ... 242

7.12 ... Weiterführende Literatur ... 243

8. Lineare Regression ... 245

8.1 ... Was macht der Algorithmus eigentlich? ... 246

8.2 ... Wofür kann man die Methode verwenden? ... 247

8.3 ... Wie funktioniert die Methode? ... 248

8.4 ... Algorithmusbeschreibung ... 249

8.5 ... Beispiel: Ringgröße -- statische Variante ... 250

8.6 ... Die ML-Variante ... 254

8.7 ... Mach's kaputt ... 262

8.8 ... Die vektorisierte Variante und scikit-learn ... 264

8.9 ... Metriken ... 268

8.10 ... Grenzen der Methode ... 269

8.11 ... Weiterführende Literatur ... 269

9. Logistische Regression ... 271

9.1 ... Was macht der Algorithmus eigentlich? ... 272

9.2 ... Wofür kann man die Methode verwenden? ... 273

9.3 ... Wie funktioniert die Methode? ... 273

9.4 ... Algorithmusbeschreibung ... 279

9.5 ... Beispiel: Kreditvergabe ... 283

9.6 ... Mach's kaputt ... 292

9.7 ... Beispiel: Heiratsantrag ... 295

9.8 ... Heiratsantrag mit sklearn ... 300

9.9 ... Eine Simulation in pygame ... 302

9.10 ... Ethische Betrachtung der logistischen Regression ... 303

9.11 ... Grenzen des Modells ... 304

9.12 ... Weiterführende Literatur ... 305

10. Decision Trees ... 307

10.1 ... Hinweis zur Struktur dieses Kapitels ... 307

10.2 ... Was ist ein (Entscheidungs-)Baum? ... 308

10.3 ... Was macht der Algorithmus eigentlich? ... 314

10.4 ... Wofür kann man die Methode verwenden? ... 329

10.5 ... Algorithmusbeschreibung ... 331

10.6 ... Mach's kaputt ... 334

10.7 ... Beispiele ... 336

10.8 ... Grenzen des Modells ... 336

10.9 ... Weiterführende Literatur ... 337

11. k-Means Clustering ... 339

11.1 ... Was macht der Algorithmus eigentlich? ... 339

11.2 ... Wofür kann man die Methode verwenden? ... 341

11.3 ... Wie funktioniert die Methode? ... 342

11.4 ... Algorithmusbeschreibung ... 343

11.5 ... Beispiel: Hochzeitsparty-Planung ... 346

11.6 ... Mach's kaputt ... 352

11.7 ... Beispiel: Glasfaser im Neubaugebiet ... 357

11.8 ... Ethische Betrachtung ... 360

11.9 ... Metriken ... 360

11.10 ... Simulationen ... 361

11.11 ... Weiterführende Literatur ... 362

12. Support Vector Machines ... 363

12.1 ... Was ist eine Support Vector Machine? ... 364

12.2 ... Wofür kann man die Methode verwenden? ... 368

12.3 ... Wie funktioniert die Methode? ... 369

12.4 ... Algorithmusbeschreibung ... 384

12.5 ... Beispiel ... 387

12.6 ... Mach's kaputt ... 394

12.7 ... Metriken ... 395

12.8 ... Ethische Betrachtung ... 396

12.9 ... Grenzen des Modells ... 397

12.10 ... Weiterführende Literatur ... 398

13. Neuronale Netze ... 401

13.1 ... Was ist ein neuronales Netz? ... 402

13.2 ... Vom Modell zur Implementierung ... 409

13.3 ... Beispiel: Two Moons ... 425

13.4 ... Deep Learning ... 427

13.5 ... Beispiel: Ziffernerkennung ... 438

13.6 ... Mach's kaputt ... 439

13.7 ... Ethische Betrachtung ... 441

13.8 ... Grenzen des Modells ... 442

13.9 ... Weiterführende Literatur ... 443

14. Reinforcement Learning ... 445

14.1 ... Was ist Reinforcement Learning? ... 446

14.2 ... Die formale Struktur des Entscheidungsprozesses ... 447

14.3 ... Die Markov-Eigenschaft ... 449

14.4 ... Das Bellman-Prinzip ... 455

14.5 ... Exploration und Exploitation ... 457

14.6 ... Beispiel: Swampy Fields ... 458

14.7 ... Mach's kaputt ... 466

14.8 ... Beispiel: Tic-Tac-Toe ... 468

14.9 ... Wofür kann man die Methode verwenden? ... 476

14.10 ... Ethische Betrachtung ... 477

14.11 ... Von der Optimierung zur Verantwortung ... 478

14.12 ... Weiterführende Literatur ... 479

15. KI und Ethik ... 481

15.1 ... Was bedeutet Ethik im Kontext von KI? ... 482

15.2 ... KI als Assistent -- nicht als Orakel ... 483

15.3 ... Wenn KI heute anders antwortet als gestern ... 483

15.4 ... Fallbeispiele aus der Praxis ... 486

15.5 ... Resümee: Human in the Loop ... 494

15.6 ... Literaturverzeichnis und Quellenangaben ... 495

16. Ausblick ... 499

Index ... 501

Details

Erscheinungsjahr:	2026
Fachbereich:	Programmiersprachen
Genre:	Informatik , Mathematik , Medizin , Naturwissenschaften , Technik
Rubrik:	Naturwissenschaften & Technik
Medium:	Taschenbuch
Inhalt:	500 S.
ISBN-13:	9783367114801
ISBN-10:	3367114804
Sprache:	Deutsch
Einband:	Kartoniert / Broschiert
Autor:	Gaulke, Jens
Hersteller:	Rheinwerk Verlag GmbH
Verantwortliche Person für die EU:	Rheinwerk Verlag GmbH, Rheinwerkallee 4, D-53229 Bonn, service@rheinwerk-verlag.de
Maße:	230 x 174 x 32 mm
Von/Mit:	Jens Gaulke
Erscheinungsdatum:	08.10.2026
Gewicht:	0,93 kg