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
- Mit verschiedenen Datenquellen arbeiten
- Bilderkennung
- Klassifizierungsaufgaben
- Convolutional Neural Networks
- Transfer Learning
- Zeitreihenanalysen
- Texte generieren
- Unsupervised Learning
- Reinforcement Learning
- Datenanalyse mit KNIME
- Evolutionäre Algorithmen
- ChatGPT und DALL-E
Inhaltsverzeichnis
Materialien zum Buch . . . 13
1. Einleitung . . . 15
1. 1 . . . Was bietet dieses Buch? . . . 16
1. 2 . . . Was ist eine »künstliche Intelligenz«? . . . 17
1. 3 . . . Geschichte der KI -- ein kurzer Überblick . . . 19
1. 4 . . . Verwendete Werkzeuge . . . 21
2. Installation . . . 27
2. 1 . . . Anaconda-Distribution . . . 27
2. 2 . . . KNIME . . . 33
3. Das künstliche neuronale Netz . . . 43
3. 1 . . . Klassifizierung . . . 44
3. 2 . . . Das Kochrezept . . . 46
3. 3 . . . Aufbau künstlicher neuronaler Netze . . . 50
3. 4 . . . Aufbau eines künstlichen Neurons . . . 52
3. 5 . . . Feed Forward . . . 53
3. 6 . . . Backpropagation . . . 56
3. 7 . . . Aktualisierung der Gewichte . . . 58
3. 8 . . . KNN für Klassifizierung . . . 61
3. 9 . . . Hyperparameter und Overfitting . . . 69
3. 10 . . . Umgang mit nichtnumerischen Daten . . . 71
3. 11 . . . Umgang mit Datenlücken . . . 73
3. 12 . . . Korrelation versus Kausalität . . . 75
3. 13 . . . Normierung der Daten . . . 84
3. 14 . . . Regression . . . 87
3. 15 . . . Deployment . . . 89
3. 16 . . . Übungen . . . 95
4. Entscheidungsbäume . . . 99
4. 1 . . . Einfache Entscheidungsbäume . . . 100
4. 2 . . . Boosting . . . 112
4. 3 . . . XGBoost Regressor . . . 122
4. 4 . . . Deployment . . . 123
4. 5 . . . Entscheidungsbäume mit Orange . . . 125
4. 6 . . . Übungen . . . 129
5. Faltungsschichten, Bilder und mehr . . . 131
5. 1 . . . Einfache Bildklassifizierung . . . 133
5. 2 . . . Hyperparameter-Optimierung mit Early Stopping und KerasTuner . . . 138
5. 3 . . . Convolutional Neural Network (CNN) . . . 143
5. 4 . . . Bildklassifizierung mit CIFAR-10 . . . 150
5. 5 . . . Verwendung vortrainierter Netze . . . 153
5. 6 . . . Übungen . . . 157
6. Transfer Learning . . . 159
6. 1 . . . Funktionsweise . . . 162
6. 2 . . . Übungen . . . 169
7. Anomalieerkennung . . . 171
7. 1 . . . Unausgewogene Daten . . . 172
7. 2 . . . Resampling . . . 177
7. 3 . . . Autoencoder . . . 179
7. 4 . . . Übungen . . . 186
8. Textklassifizierung . . . 187
8. 1 . . . Embedding Layer . . . 187
8. 2 . . . GlobalAveragePooling1D Layer . . . 191
8. 3 . . . Text Vectorization . . . 193
8. 4 . . . Analyse der Zusammenhänge . . . 196
8. 5 . . . Klassifizierung großer Datenmengen . . . 201
8. 6 . . . Übungen . . . 204
9. Clusteranalyse . . . 205
9. 1 . . . Grafische Analyse der Daten . . . 206
9. 2 . . . Der Algorithmus k-Means-Clustering . . . 211
9. 3 . . . Das fertige Programm . . . 214
9. 4 . . . Übungen . . . 217
10. AutoKeras . . . 219
10. 1 . . . Klassifizierung . . . 220
10. 2 . . . Regression . . . 222
10. 3 . . . Bildklassifizierung . . . 223
10. 4 . . . Textklassifizierung . . . 226
10. 5 . . . Übungen . . . 229
11. Visuelle Programmierung mit KNIME . . . 231
11. 1 . . . Einfache künstliche neuronale Netze . . . 232
11. 2 . . . XGBoost . . . 252
11. 3 . . . Bildklassifizierung mit vortrainiertem Modell . . . 256
11. 4 . . . Transfer Learning . . . 262
11. 5 . . . Autoencoder . . . 268
11. 6 . . . Textklassifizierung . . . 277
11. 7 . . . AutoML . . . 281
11. 8 . . . Clusteranalyse . . . 285
11. 9 . . . Zeitreihenanalyse . . . 290
11. 10 . . . Textgenerierung . . . 306
11. 11 . . . Weitere Hinweise zu KNIME . . . 312
11. 12 . . . Übungen . . . 313
12. Reinforcement Learning . . . 317
12. 1 . . . Q-Learning . . . 318
12. 2 . . . Erforderliche Python-Kenntnisse für das Spiel . . . 324
12. 3 . . . Training . . . 329
12. 4 . . . Test . . . 332
12. 5 . . . Ausblick . . . 333
12. 6 . . . Übungen . . . 334
13. Genetische Algorithmen . . . 335
13. 1 . . . Der Algorithmus . . . 336
13. 2 . . . Beispiel einer sortierten Liste . . . 340
13. 3 . . . Beispiel für Gleichungssysteme . . . 343
13. 4 . . . Beispielanwendung aus der Praxis . . . 346
13. 5 . . . Übungen . . . 349
14. ChatGPT und GPT-4 . . . 351
14. 1 . . . Prompt Engineering . . . 354
14. 2 . . . Programmierschnittstelle ChatGPT . . . 372
14. 3 . . . Übung . . . 389
15. DALL-E und Nachfolgemodelle . . . 391
15. 1 . . . DALL-E 2 . . . 392
15. 2 . . . DALL-E 3 . . . 397
15. 3 . . . Programmierschnittstelle . . . 399
15. 4 . . . Übung . . . 405
16. Ausblick . . . 407
Anhang . . . 409
A . . . Lösungen . . . 409
B . . . Literaturhinweise . . . 445
Index . . . 447
