Karatas Eigene KI-Anwendungen programmieren

2. Auflage 2025
ISBN: 978-3-367-10841-1
Verlag: Rheinwerk
Format: PDF
Kopierschutz: 0 - No protection

E-Book, Deutsch, 446 Seiten

Reihe: Rheinwerk Computing

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.«

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.

Autoren/Hrsg.

Karatas, Metin

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

Über Autor(innen)

Karatas, Metin
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.