Das praktische Nachschlagewerk zum Machine Learning mit strukturierten Daten Konzentriert sich auf Themen, die für den praktizierenden Machine-Learning-Anwender interessant sind Enthält eine große Anzahl wertvoller Codebeispiele für strukturierte Daten, die in der Praxis konkret weiterhelfen Zeigt, wie verschiedene Bibliotheken zur Lösung praktischer Fragestellungen eingesetzt werden Diese praktische Referenz bietet eine Sammlung von Methoden, Ressourcen und Codebeispielen zur Lösung gängiger Machine-Learning-Probleme bei der Auswertung strukturierter Daten. Matt Harrison hat einen wertvollen Leitfaden zusammengestellt, den Sie als Nachschlagewerk und zur Anregung nutzen können: für eigene Projekte oder als Begleitmaterial für Machine-Learning-Kurse. Das Buch ist ideal für Data Scientists, Softwareentwickler und Datenanalysten, die Machine Learning praktisch anwenden. Es bietet einen Überblick über den kompletten Machine-Learning-Prozess und stellt Ihnen verschiedene Bibliotheken und Modelle mit ihren jeweiligen Vor- und Nachteilen und Anpassungsmöglichkeiten vor. Die Codebeispiele sind so kompakt und nachvollziehbar, dass Sie sie für Ihre eigenen Projekte verwenden und auch gut anpassen können.

Dieses Buch zeigt Ihnen, wie Sie Agenten programmieren, die basierend auf direktem Feedback aus ihrer Umgebung selbstständig lernen und sich dabei verbessern. Sie werden Netzwerke mit dem beliebten PyTorch-Deep-Learning-Framework aufbauen, um bestärkende Lernalgorithmen zu erforschen. Diese reichen von Deep-Q-Networks über Methoden zur Gradientenmethode bis hin zu evolutionären Algorithmen. Im weiteren Verlauf des Buches wenden Sie Ihre Kenntnisse in praktischen Projekten wie der Steuerung simulierter Roboter, der Automatisierung von Börsengeschäften oder dem Aufbau eines Spiel-Bots an. Aus dem Inhalt: • Strukturierungsprobleme als Markov-Entscheidungsprozesse • Beliebte Algorithmen wie Deep Q-Networks, Policy Gradient-Methode und Evolutionäre Algorithmen und die Intuitionen, die sie antreiben • Anwendung von Verstärkungslernalgorithmen auf reale Probleme EXTRA: E-Book inside Systemvoraussetzungen für E-Book inside: Internet-Verbindung und Adobe-Reader oder Ebook-Reader bzw. Adobe Digital Editions.

Der praktische Einstieg in PyTorch Lernen Sie, neuronale Netze zu erstellen und sie für verschiedene Datentypen zu trainieren Das Buch deckt den gesamten Entwicklungszyklus von Deep-Learning-Anwendungen ab: Vom Erstellen über das Debuggen bis zum Deployen Mit Use Cases, die zeigen, wie PyTorch bei führenden Unternehmen eingesetzt wird Mit diesem Praxisbuch meistern Sie die Methoden des Deep Learning, einer Teildisziplin des Machine Learning, die die Welt um uns herum verändert. Machen Sie sich mit PyTorch, dem populären Python-Framework von Facebook, vertraut, und lernen Sie Schlüsselkonzepte und neueste Techniken kennen, um eigene neuronale Netze zu entwickeln. Ian Pointer zeigt Ihnen zunächst, wie Sie PyTorch in einer Cloud-basierten Umgebung einrichten. Er führt Sie dann durch die einzelnen Schritte der Entwicklung von neuronalen Architekturen, um typische Anwendungen für Bilder, Ton, Text und andere Datenformate zu erstellen. Er erläutert auch das innovative Konzept des Transfer Learning und das Debuggen der Modelle. Sie erfahren zudem, wie Sie Ihre Deep-Learning-Anwendungen in den Produktiveinsatz bringen.

Parts Unlimited – ein milliardenschweres Unternehmen der Automobilbranche – steht kurz davor, aus dem Markt verdrängt zu werden. Nach einer folgenschweren Panne bei der Lohn- und Gehaltsabrechnung wird Maxine, eine leitende Softwareentwicklerin, unverschuldet in das berüchtigte Projekt Phoenix strafversetzt. Dort verzweifelt sie fast an einem bürokratischen Monsterapparat mit endlosen Meetings und hochkomplizierten Regeln – bis sie von firmeninternen Rebellen angeworben wird, die die bestehende Ordnung umstürzen wollen: Damit Entwicklerinnen und Entwickler wieder echte Freude an ihrer Arbeit haben. Die kluge und kämpferische Maxine und ihre rebellischen Kolleginnen und Kollegen rufen Projekt Unicorn ins Leben und setzen dabei auf die »Fünf Ideale«. Damit verändern sie grundlegend, wie die Business- und Technologiebereiche des Unternehmens zusammenarbeiten – und geraten in das Fadenkreuz einflussreicher und gefährlicher Gegner. Gelingt es ihnen, das Überleben von Parts Unlimited in einem Wettrennen gegen die Zeit zu sichern? Packend beschreibt Gene Kim, Autor des Bestsellers »Projekt Phoenix«, die Herausforderungen, denen sich Unternehmen – und alle, die in ihnen arbeiten – im Zeitalter von Digital Disruption stellen müssen: in der Softwareentwicklung und als lernende Organisation. Sie werden sich in diesem Roman wiederfinden – und die fesselnde Story wird Sie unterhalten und Ihnen viele Denkanstöße geben.

Neues von Bestsellerautor Tariq Rashid: Eine Einführung in die innovative Deep-Learning-Technik GANs Schritt-für-Schritt-Anleitung zum Erstellen eigener GANs mit PyTorch, regt zum Ausprobieren an GANs (Generative Adversarial Networks) gehören zu den spannendsten neuen Algorithmen im Machine Learning Tariq Rashid erklärt diese schwierige Materie außergewöhnlich klar und gut nachvollziehbar »Die coolste Idee im Deep Learning in den letzten 20 Jahren« sagt Yann LeCun, einer der weltweit führenden Forscher auf dem Gebiet der neuronalen Netze, über GANs, die Generative Adversarial Networks. Bei dieser noch neuen KI-Technik treten zwei neuronale Netze gegeneinander an mit dem Ziel, Bilder, Ton und Videos zu erzeugen, die vom Original nicht zu unterscheiden sind. Dieses Buch richtet sich an alle, die selbst ausprobieren möchten, wie GANs funktionieren. Tariq Rashid zeigt Ihnen Schritt für Schritt, wie Sie mit dem populären Framework PyTorch Ihre eigenen GANs erstellen und trainieren. Sie starten mit einem sehr einfachen GAN, um einen Workflow einzurichten, und üben erste Techniken anhand der MNIST-Datenbank ein. Mit diesem Wissen programmieren Sie dann ein GAN, das realistische menschliche Gesichter erzeugen kann. Tariq Rashids besondere Fähigkeit, komplexe Ideen verständlich zu erklären, macht das Buch zu einer unterhaltsamen Lektüre.

Maschinelles Lernen programmieren lernen! Eine Einführung in das maschinelle Lernen für Entwickler Alle wesentlichen Ideen, Werkzeuge und Konzepte des supervised Learning, von neuronalen Netzen und des Deep Learning werden präsentiert Der gesamte Programmcode ist in Python geschrieben In Teil I des Buches stellt der Autor wesentliche Ideen, Werkzeuge und Konzepte des supervised Learning vor. Er entwickelt und verbessert einfache maschinelle Lernprogramme Schritt für Schritt und deckt dabei Methoden wie lineare Regression, Gradientenabstieg und Perceptron ab. Das Perceptron wird zum Erlernen der Bilderkennung von handgeschriebenen Ziffern auf der Grundlage des MNIST-Standarddatensatzes verwendet. Der Autor erläutert die den entsprechenden Algorithmen zugrunde liegenden Konzepte entlang des Codes. Teil II des Buches befasst sich mit neuronalen Netzen. Es werden die Ideen der neuronalen Netze wie Schichten, Gewichte, Rückpropagation, Gradientenabstieg, Epochenlernen etc. vorgestellt. In Teil III des Buches werden die Ideen des Deep Learning diskutiert. Darüber hinaus stellt der Autor neben den klassischen Strukturen tiefer neuronaler Netze auch die Konzepte und Techniken von Faltungsnetzen vor. Python-Programmierkenntnisse werden auf einem elementaren Niveau gehalten. Weitere Python-Techniken und Sprachkonstrukte sowie ein Glossar zum maschinellen Lernen werden im Anhang zur Verfügung gestellt. Das Buch eignet sich für Entwickler, die eine gute und sanfte Einführung in das maschinelle Lernen erhalten wollen. Der Autor liefert im Ausblick Themen zur weiteren Lektüre. Ein Glossar mit Begriffen aus dem Bereich des maschinellen Lernens wird zur Verfügung gestellt. Alles in allem ist dieses Buch ein empfehlenswerter praktischer Einstieg in das Gebiet des ML.

BLENDED LEARNING MIT MOODLE - Moodle-Infrastruktur aufbauen und verstehen- Moodle professionell verwalten- Kurse gestalten und in das Unterrichtsprogramm integrieren- Unterstützender Einsatz von Hot Potatoes und H5P im Präsenzunterricht- Erfolgreich und zuverlässig Prüfungen mit Moodle durchführenBei „Moodle“ bzw. „E-/Blended Learning“ geht es vor allem darum, gezielt Kurse zu entwickeln, die sich ideal in das didaktische Konzept der Lehre integrieren und diese unterstützen. Auch die Durchführung von Prüfungen und Lernzielkontrollen sowie die Abgabe von Hausaufgaben sind ein wichtiges Thema. Das Lehrpersonal und der menschliche Kontakt sollen dadurch aber nicht ersetzt werden.Vorbereitende Übungen zur Vertiefung des Stoffs sollen kurzweilig gestaltet und auch für kurze Übungssequenzen geeignet sein. Einen Einblick in externe Software, die über den SCORM-Standard (Sharable Content Object Reference Model) in Moodle integriert werden kann, gibt die Vorstellung von Hot Potatoes. In der Zukunft wird für die Unterstützung der Präsenzlehre und der Fernschulung sowie als motivierendes Recherchemedium die Integration multimedialer, interaktiver Technologien wie H5P in Moodle immer wichtiger.Blended-Learning-Technologien (hier am Beispiel des am weitesten verbreiteten LMS Moodle) sollen eine Unterstützung der Aus- und Fortbildung sein, nicht jedoch als eine disruptive Konkurrenz zu einer zwischenmenschlich geprägten Pädagogik aufgefasst werden. Dazu soll dieses Werk beitragen.AUS DEM INHALTTeil I - Allgemeine Ansätze- Potenzielle Zielgruppen- Potenzielle EinsatzbereicheTeil II – Technik- Der Moodle-Server- Moodle-Grundinstallation- Benutzerverwaltung- Rollen im Moodle-System- Bereichs- und Kursverwaltung- E-Mail-Kommunikation- DesignsTeil III - Moodle in der Praxis- Moodle im Überblick- Aktivitäten - Werkzeuge zur Kursgestaltung- Ergänzende Lernhilfen für Moodle- Fragenkataloge in Moodle- Lernzielkontrollen und Prüfungen

Aktualisierte Neuauflage des Bestsellers zu TensorFlow 2 und Deep Learning Behandelt jetzt auch die High-Level-API Keras Führt Sie methodisch geschickt in die Basics des Machine Learning mit Scikit-Learn ein und vermittelt darauf aufbauend Deep-Learning-Techniken mit Keras und TensorFlow 2 Mit zahlreichen Übungen und Lösungen Eine Reihe technischer Durchbrüche beim Deep Learning haben das gesamte Gebiet des maschinellen Lernens in den letzten Jahren beflügelt. Inzwischen können sogar Programmierer, die kaum etwas über diese Technologie wissen, mit einfachen und effizienten Werkzeugen Machine-Learning-Programme implementieren. Dieses praxisorientierte Buch, jetzt aktualisiert und deutlich erweitert, zeigt Ihnen wie. Mit konkreten Beispielen, einem Minimum an Theorie und zwei unmittelbar anwendbaren Python-Frameworks – Scikit-Learn und TensorFlow 2 – verhilft Ihnen der Autor Aurélien Géron zu einem intuitiven Verständnis der Konzepte und Tools für das Entwickeln intelligenter Systeme. Sie lernen eine Vielzahl von Techniken kennen, beginnend mit einfacher linearer Regression bis hin zu Deep Neural Networks. Die in jedem Kapitel enthaltenen Übungen helfen Ihnen, das Gelernte in die Praxis umzusetzen. Um direkt zu starten, benötigen Sie lediglich etwas Programmiererfahrung. Zielgruppe Programmierer*innen ohne Erfahrung in ML angehende Data Scientists Student*innen der Informatik

Inhalt Algorithmen gehören zum Rüstzeug guter Entwickler und Programmierer. Dieses Buch stellt Ihnen eine Vielzahl an problemlösenden Techniken für den Programmieralltag vor und zeigt, wie Sie diese Techniken in Ihre Anwendungen implementieren. Dabei lernen Sie 32 Klassiker der Informatik kennen, vom einfachen Such-Algorithmus bis zu genetischen Algorithmen und neuronalen Netzen in der KI. Randvoll mit Codebeispielen in Python sowie Profitipps für Programmierer. Selbst wenn Ihnen einiges bekannt vorkommen wird, es warten zahlreiche Aha-Erlebnisse auf Sie. Ideal für alle, die ihre ersten Schritte in der Programmierung hinter sich haben und jetzt voll durchstarten wollen! - Programmieren trainieren mit bekannten und modernen Klassikern - Von der Suche bis zu k-Means, vom Dreizeiler bis zur dynamischen Programmierung und KI - Für Studium, Coding-Katas, Workouts oder in Eigeninitiative - Titel der amerikanischen Originalausgabe: "Classic Computer Science Problems in Python"

Die Autoren John Krohn, Grant Beylefeld und Aglaé Bassens bieten Ihnen eine einzigartige visuelle, intuitive und verständliche Einführung in Techniken und Anwendungen von Deep Learning. Mit den farbenfrohen Illustrationen und eingängigen Erläuterungen von »Deep Learning illustriert« gelingt Ihnen ein einfacher Zugang zum Aufbau von Deep-Learning-Modellen, und bringt Ihnen sogar Spaß beim Lernen.Der erste Teil des Buches erklärt die Grundlagen von Deep Learning – warum es so allgegenwärtig geworden ist und wie es mit Konzepten und Terminologien wie künstlicher Intelligenz, Machine Learning oder künstlichen neuronalen Netzen interagiert. Dabei verwenden die Autoren verständliche Analogien, lebendige Grafiken und viele Beispiele. Auf dieser Grundlage präsentieren die Autoren eine praktische Referenz und ein Tutorial zur Anwendung bewährter Techniken des Deep Learning. Die wesentliche Theorie wird mit so wenig Mathematik wie möglich behandelt und mit Python-Code beleuchtet. Praktische Beispiele zum Ausprobieren, die kostenfrei online verfügbar sind (Jupyter-Notebooks), machen Ihnen die Theorie begreiflich. So erlangen Sie ein pragmatisches Verständnis aller wichtigen Deep-Learning-Ansätze und ihrer Anwendungen: Machine Vision, Natural Language Processing, Bilderzeugung und Spielalgorithmen. Um Ihnen zu helfen, mehr in kürzerer Zeit zu erreichen, stellen die Autoren mehrere der heute am weitesten verbreiteten und innovativsten Deep-Learning-Bibliotheken vor, darunter: TensorFlow und seine High-Level-API, Keras PyTorch High-Level-Coach, eine TensorFlow-API, die die Komplexität, die typischerweise mit der Entwicklung von Deep Reinforcement Learning-Algorithmen verbunden ist, abstrahiert.

Praktische und umfassende Einführung in Reinforcement Learning von den grundlegenden Prinzipien bis hin zu den neuesten Algorithmen Die wichtigsten Methoden anschaulich erläutert: Deep-Q-Networks, Wertiteration, Policy Gradients, Trust Region Policy Optimization (TRPO), genetische Algorithmen und mehr Praktische Implementierung aller Methoden mit Beispielcode in Python Reinforcement Learning ist ein Teilgebiet des Machine Learnings, das sich auf die anspruchsvolle Aufgabe konzentriert, optimales Verhalten in komplexen Umgebungen zu erlernen. Der Lernvorgang wird ausschließlich durch den Wert einer Belohnung und durch Beobachtung der Umgebung gesteuert.In diesem Buch beschreibt Maxim Lapan alle wichtigen Methoden des Reinforcement Learnings praxisnah und anhand von Implementierungsbeispielen in Python. Auf diese Weise vermittelt er nicht nur die Grundlagen des Reinforcement Learnings, sondern zeigt auch anschaulich, wie die einzelnen Methoden in der Praxis eingesetzt werden.Unter Verwendung der Bibliothek PyTorch können so beispielsweise Neuronale Netze für Atari-Spiele oder Vier Gewinnt trainiert werden. In umfangreicheren Implementierungsbeispielen zeigt Maxim Lapan darüber hinaus den Einsatz von Reinforcement Learning für den Handel mit Aktien und Natural Language Processing.Es werden grundlegende Kenntnisse in den Bereichen Machine Learning und Deep Learning sowie ein sicherer Umgang mit Python vorausgesetzt.

Neuronale Netze stehen im Mittelpunkt, wenn es um Künstliche Intelligenz und Machine Learning geht. Sie revolutionieren derzeit die verschiedensten Anwendungsgebiete vom Strategiespiel bis zur Bild- und Spracherkennung. In neuronalen Netzen stecken geniale Ideen, die sich zum Glück einfach erklären lassen. Unsere Experten helfen Ihnen dabei, neuronale Netze zu verstehen und selber zu entwickeln. Um sie gewinnbringend einzusetzen, programmieren Sie verschiedene Netztypen selbst nach. Und zwar in Python, der Hauptsprache der KI-Welt. Sie werden sich dabei mit Mathematik und Programmierung befassen, brauchen aber keine konkreten Vorkenntnisse. Alles wird Ihnen besonders anschaulich mit zahlreichen Abbildungen erklärt. Ein faszinierendes Buch, das Ihnen den Durchblick in der KI-Welt bringt. Jetzt in der 2. Auflage! Schneller Einstieg mit allen Python- und Mathegrundlagen Lernalgorithmen, Aktivierungsfunktionen, Backpropagation Inkl. Online-Lernumgebung und Einstieg in TensorFlow

Grundprinzipien und Konzepte neuronaler Netze systematisch und verständlich erklärt Deep-Learning-Grundlagen für Data Scientists und Softwareentwickler mit Erfahrung im Machine Learning Implementierung der Deep-Learning-Konzepte mit dem beliebten Framework PyTorch Zahlreiche Codebeispiele in Python verdeutlichen die konkrete Umsetzung Dieses Buch vermittelt Ihnen das konzeptionelle und praktische Rüstzeug, um ein tiefes Verständnis für die Funktionsweise neuronaler Netze zu bekommen. Sie lernen die Grundprinzipien des Deep Learning kennen, zu deren Veranschaulichung Seth Weidman gut nachvollziehbare Konzeptmodelle entwickelt hat, die von Codebeispielen begleitet werden. Das Buch eignet sich für Data Scientists und Softwareentwickler mit Erfahrung im Machine Learning. Sie beginnen mit den Basics des Deep Learning und gelangen schnell zu den Details fortgeschrittener Architekturen, indem Sie deren Aufbau von Grund auf neu implementieren. Dabei lernen Sie mehrschichtige neuronale Netze wie Convolutional und Recurrent Neural Networks kennen. Diese neuronalen Netzwerkkonzepte setzen Sie dann mit dem beliebten Framework PyTorch praktisch um. Auf diese Weise bauen Sie ein fundiertes Wissen darüber auf, wie neuronale Netze mathematisch, rechnerisch und konzeptionell funktionieren.

Entdecken Sie Muster in Daten, die für den Menschen nicht erkennbar sind Unsupervised Learning könnte der Schlüssel zu einer umfassenderen künstlichen Intelligenz sein Voller praktischer Techniken für die Arbeit mit ungelabelten Daten, verständlich geschrieben und mit unkomplizierten Python-Beispielen Verwendet Scikit-learn, TensorFlow und Keras Ein Großteil der weltweit verfügbaren Daten ist ungelabelt. Auf diese nicht klassifizierten Daten lassen sich die Techniken des Supervised Learning, die im Machine Learning viel genutzt werden, nicht anwenden. Dagegen kann das Unsupervised Learning – auch unüberwachtes Lernen genannt – für ungelabelte Datensätze eingesetzt werden, um aussagekräftige Muster zu entdecken, die tief in den Daten verborgen sind. Muster, die für den Menschen fast unmöglich zu entdecken sind. Wie Data Scientists Unsupervised Learning für ihre Daten nutzen können, zeigt Ankur Patel in diesem Buch anhand konkreter Beispiele, die sich schnell und effektiv umsetzen lassen. Sie erfahren, wie Sie schwer zu findende Muster in Daten herausarbeiten und dadurch z.B. tiefere Einblicke in Geschäftsprozesse gewinnen. Sie lernen auch, wie Sie Anomalien erkennen, automatisches Feature Engineering durchführen oder synthetische Datensätze generieren. Aus dem Inhalt Vergleichen Sie die Stärken und Schwächen der verschiedenen Ansätze des Machine Learning: Supervised, Unsupervised und Reinforcement Learning Richten Sie ein Machine-Learning-Projekt ein und verwalten Sie es Bauen Sie ein System für die Anomalieerkennung auf, um Kreditkartenbetrug zu erfassen Nutzen Sie Clustering-Algorithmen, um Benutzer in unterschiedliche und homogene Gruppen zusammenzufassen Führen Sie Semi-supervised Learning durch Entwickeln Sie Filmempfehlungssysteme mit eingeschränkten Boltzmann-Maschinen Generieren Sie synthetische Bilder mit Generative Adversarial Networks (GANs) Zielgruppe Data Scientists, die Erfahrung mit Machine Learning haben

Inhaltsverzeichnis Einführung 9 1. Teil – Wegbereiter Der Künstlichen Intelligenz 1. ALIBABA: Intelligenz für die B2B- und B2C-Dienstleistungen von morgen 21 2. ALPHABET UND GOOGLE: Das Potenzial der künstlichen Intelligenz maximieren 29 3. AMAZON: Deep Learning als Treiber der Unternehmensperformance 37 4. APPLE: KI in Produkte integrieren und die Privatsphäre der Nutzer schützen 45 5. BAIDU: Maschinelles Lernen für Suchmaschinen und autonome Fahrzeuge 51 6. FACEBOOK: KI zur Verbesserung der Social-Media-Dienste 57 7. IBM: Cognitive Computing zur Unterstützung des Mensch-Maschine-Dialogs 65 8. JD.COM: Einzelhandelsprozesse mit künstlicher Intelligenz automatisieren 73 9. MICROSOFT: Künstliche Intelligenz in den Alltag integrieren 81 10. TENCENT: Mit künstlicher Intelligenz WeChat und Gesundheitswesen weiterentwickeln 87 2. Teil – Einzelhandel, Konsumgüter, Nahrungsmittel Und Getränkeindustrie 11. BURBERRY: KI und der Verkauf von Luxusgütern 95 12. COCA-COLA: Die Spitzenposition im Softdrink-Markt mittels künstlicher Intelligenz halten 101 13. DOMINO’S: Mit künstlicher Intelligenz den Pizza-Lieferdienst perfektionieren 107 14. KIMBERLEY-CLARK: Mit künstlicher Intelligenz relevant Kundendaten filtern 113 15. MCDONALD’S: Mit Robotern und künstlicher Intelligenz Arbeitsabläufe automatisieren 119 16. SAMSUNG: Die Automatisierung von Haushalt und Arbeitsplatz mit künstlicher Intelligenz 125 17. STARBUCKS: Mit künstlicher Intelligenz täglich Millionen von Kaffeeprodukten verkaufen 131 18. STITCH FIX: Mit der Kombination von künstlicher Intelligenz und menschlicher Arbeitskraft die Modebranche revolutionieren 137 19. UNILEVER: Mit künstlicher Intelligenz die Einstellungs- und Eingliederungsprozesse von neuen Mitarbeitern straffen 143 20. WALMART: Mit künstlicher Intelligenz Lagerbestände und Kundenzufriedenheit optimieren 149 3. Teil – Medien, Unterhaltungsbranche Und Telekommunikation 21. THE WALT DISNEY COMPANY: Künstliche Intelligenz für magische Momente 159 22. INSTAGRAM: Mit künstlicher Intelligenz gegen Online-Mobbing vorgehen 167 23. LINKEDIN: Mithilfe von künstlicher Intelligenz das Fachkräftedilemma lösen 173 24. NETFLIX: Künstliche Intelligenz für ein besseres TV-Erlebnis 179 25. PRESS ASSOCIATION: Mit künstlicher Intelligenz die regionale Berichterstattung fördern 185 26. SPOTIFY: Mit künstlicher Intelligenz neue Titel für die Playlist suchen 191 27. TELEFÓNICA: Mit künstlicher Intelligenz den Internetzugang erweitern 197 28. TWITTER: Fake News und Spambots mit künstlicher Intelligenz bekämpfen 203 29. VERIZON: Mit künstlicher Intelligenz die Servicequalität verbessern 209 30. VIACOM: Mit künstlicher Intelligenz schneller Videos streamen und die Kundenerfahrung verbessern 215 4. Teil – Unternehmen Im Dienstleistungs-, Finanz- Und Gesundheitssektor 31. AMERICAN EXPRESS: Mit künstlicher Intelligenz Betrugsdelikte aufdecken und für positive Kundenerfahrungen sorgen 223 32.: ELSEVIER: Mit künstlicher Intelligenz medizinische Entscheidungen und wissenschaftliche Forschung unterstützenn 229 33. ENTRUPY: Mit künstlicher Intelligenz gegen die milliardenschwere Imitat-Industrie vorgehen 235 34. EXPERIAN: Mit künstlicher Intelligenz die Vergabe von Hypotheken vereinfachen 239 35. HARLEY-DAVIDSON: Künstliche Intelligenz sorgt für eine solide Absatzsteigerung 245 36. HOPPER: Mit künstlicher Intelligenz die preisgünstigsten Flüge buchen 251 37. INFERVISION: Mit künstlicher Intelligenz die Früherkennungsrate von Tumoren und Schlaganfällen erhöhen 257 38. MASTERCARD: Mit künstlicher Intelligenz die »fälschlichen Kartenzahlungsablehnungen« und die damit verbundenen Ertragseinbußen der Partnerunternehmen in Milliardenhöhe reduzieren 263 39. SALESFORCE: Mit künstlicher Intelligenz die Kundenbeziehungen verbessern 267 40. UBER: Der Einsatz von künstlicher Intelligenz in allen Aufgabenbereichen 273 5. Teil – Produktionsbetriebe, Automobilhersteller, Raumfahrt- Und Industrie-4.0-Unternehmen 41. BMW: Künstliche Intelligenz für die Entwicklung und Steuerung zukunftsfähiger Fahrzeuge 281 42. GE: Künstliche Intelligenz für das »Internet der Energie« 289 43. JOHN DEERE: Mit künstlicher Intelligenz den Pestizidverbrauch in der Landwirtschaft verringern 295 44. KONE: Künstliche Intelligenz für die Beförderung von Millionen Menschen Tag für Tag 301 45. DAIMLER AG: Von Pkws der Luxusklasse zu autonomen Lufttaxis 307 46. NASA: Der Einsatz von künstlicher Intelligenz zur Erforschung des Universums und ferner Welten 313 47. SHELL: Mit künstlicher Intelligenz die Energiewende in Angriff nehmen 319 48. SIEMENS: Künstliche Intelligenz und Analyse-Plattformen für den Aufbau des Internets der Züge 325 49. TESLA: Mit künstlicher Intelligenz intelligente Fahrzeuge entwickeln 331 50. VOLVO: Der Einsatz von Machine-Learning-Technologien beim Bau der sichersten Autos der Welt 337 6. Teil – Nachwort: Herausforderungen Im Bereich Künstliche Intelligenz 51. NACHWORT: Die Herausforderungen im Bereich der Künstlichen Intelligenz 345 Der Autor 353 Danksagung 355 Stichwortverzeichnis 357

Generative Modelle haben sich zu einem der spannendsten Themenbereiche der Künstlichen Intelligenz entwickelt: Mit generativem Deep Learning ist es inzwischen möglich, einer Maschine das Malen, Schreiben oder auch das Komponieren von Musik beizubringen – kreative Fähigkeiten, die bisher dem Menschen vorbehalten waren. Mit diesem praxisnahen Buch können Data Scientists einige der eindrucksvollsten generativen Deep-Learning-Modelle nachbilden, wie z.B. Generative Adversarial Networks (GANs), Variational Autoencoder (VAEs), Encoder-Decoder- sowie World-Modelle. David Foster vermittelt zunächst die Grundlagen des Deep Learning mit Keras und veranschaulicht die Funktionsweise jeder Methode, bevor er zu einigen der modernsten Algorithmen auf diesem Gebiet vorstößt. Die zahlreichen praktischen Beispiele und Tipps helfen Ihnen herauszufinden, wie Ihre Modelle noch effizienter lernen und noch kreativer werden können.

Künstliche Intelligenz ganz praktisch- Symbolverarbeitende künstliche Intelligenz und künstliche neuronale Netze in einem Buch- Business Rules und Wissensnetze- Convolutional Neural Networks und Deep Learning- Übungen in PROLOG sowie mit JavaNNS und PythonDie künstliche Intelligenz hat unseren Alltag erreicht: Wir nutzen Chatbots, reden mit Sprachassistenten, KI digitalisiert die Dokumentenverarbeitung, die Muster-, Bild- oder Objekt-Erkennung. Sie ermöglicht neue, intelligentere Lösungen in vielen Bereichen, von der Medizin bis zum autonomen Fahren.Das Buch gibt eine Einführung in die KI. Es wird gezeigt, wie symbolverabeitende KI in Form von Wissensnetzen oder Geschäftsregeln heute angewendet und wie künstliche neuronale Netze in der Mustererkennung oder auch im Data Mining eingesetzt werden können.Wissensrepräsentation und -verarbeitung auf Basis der Logik wird unter Nutzung der logischen Programmiersprache PROLOG eingeführt. Logische Schlussfolgerungen lassen sich in PROLOG wesentlich leichter als in Python oder Java implementieren. Die Konzepte neuronaler Netze werden mit dem System JavaNNS und mittels Python praktisch vertieft.Fragen und Aufgaben am Ende eines Abschnittes fordern zum aktiven Lesen und Lernen auf. Die Webseiten zum Buch enthalten Demo-Programme, die diskutierte Vorgehensweisen veranschaulichen und das Verständnis fördern.Die Themen:- Überblick zur künstlichen Intelligenz- Darstellung und Verarbeitung von Wissen- Problemlösung mittels Suche- PROLOG- Künstliche neuronale Netze- Vorwärtsgerichtete neuronale Netze- Wettbewerbslernen- Autoassoziative Netze- Stuttgarter Neuronale Netze Simulator/JavaNNS

Das Buch vermittelt Deep-Learning-Grundlagen und führt in die Arbeit mit der Python-Bibliothek DeepChem ein. Sie erfahren, wie Deep Learning z.B. zur Analyse von Mikroskopaufnahmen, für molekulare Daten und bei medizinischen Scans genutzt wird. Abschließend zeigen Bharath Ramsundar und seine Co-Autoren anhand einer Fallstudie Techniken für die Entwicklung neuer Therapeutika, eine der größten interdisziplinären Herausforderungen der Wissenschaft.- Lernen Sie, wie Machine Learning auf molekulare Daten angewendet werden kann- Erfahren Sie, warum Deep Learning ein mächtiges Werkzeug für Genetik und Genomik ist- Setzen Sie Deep Learning ein, um biophysikalische Systeme zu verstehen- Erhalten Sie eine kurze Einführung in Machine Learning mit DeepChem- Nutzen Sie Deep Learning zur Auswertung von Mikroskopaufnahmen- Analysieren Sie medizinische Scans mithilfe von Deep-Learning-Techniken- Erfahren Sie mehr über Variational Autoencoder (VAE) und Generative Adversarial Networks (GANs)- Interpretieren Sie, was Ihr Modell tut und wie es funktioniert

Künstliche Intelligenz und wie der Mensch die Kontrolle über superintelligente Maschinen behält »Das bedeutendste Buch über KI in diesem Jahr.«- The Guardian, 24.09.2019 Werden Maschinen bald auf nahezu allen Gebieten intelligenter sein als der Mensch? Auch wenn das vielversprechend klingt, ist die Entwicklung einer Superintelligenz zugleich ein ernstzunehmendes Risiko. Denn ist diese einmal da, können wir nicht mehr einfach den Stecker ziehen. Niemand kann die Chancen und Risiken der künstlichen Intelligenz besser beurteilen als Stuart Russell, der seit mehr als einer Dekade an vorderster Front der KI-Forschung arbeitet. Er veranschaulicht mit brillanten Analogien, wie sich natürliche und künstliche Intelligenz voneinander unterscheiden, und macht deutlich, weshalb wir vermeiden müssen, dass die Maschinen für uns unkontrollierbar werden. Fundiert, eindringlich und visionär zeigt Human Compatible neue Perspektiven und Lösungswege für die KI-Forschung auf, um zu gewährleisten, dass superintelligente Maschinen unsere Ziele verfolgen und nicht ihre eigenen.

Maschinelles Lernen – alle Grundlagen! Dieser Grundkurs führt Sie in alle gängigen ML-Methoden ein. Paul Wilmott, bekannt für seine erhellende und unterhaltsame Darstellung angewandter Mathematik, stellt Ihnen die einschlägigen mathematischen Verfahren vor – von linearer Regression bis zu Neuronalen Netzen, komplett unabhängig von Software und Code. Der Vorteil dabei: Jeder Schritt ist schwarz auf weiß für Sie nachvollziehbar, kein Framework schaltet sich dazwischen, es geht immer um die Sache selbst. Der ideale Kurs für alle, die verstehen wollen, wie Maschinen lernen. Machine Learning klipp und klar Konzepte Schritt für Schritt erklärt Methode für Methode lernen Sie die Konzepte kennen, auf denen Machine Learning basiert: Von der Maximum-Likelihood-Schätzung bis zum Reinforcement-Learning. Immer mit Einführung, Schritt-für-Schritt-Anleitung, Beispielen und erklärenden Grafiken. Mathematik? Ja, bitte! Maschinelles Lernen ist im Kern genau das: angewandte Mathematik. Und diese Mathematik lernen Sie hier. Setzen Sie mathematische Verfahren ein, um aus Datensätzen Erkenntnisse zu gewinnen. Tauchen Sie direkt ein – es genügt Ihr Schulmathematik-Wissen! Verfahren bewerten und auswählen Lernen Sie, wie Sie die verschiedenen Verfahren und Modelle bewerten und jeweils das richtige auswählen. Damit Sie die beste Wahl treffen können, lernen Sie alle Stärken und Schwächen, Voraussetzungen und mögliche Stolperfallen der einzelnen Verfahren kennen. Für alle Studienfächer Die Projekte in diesem Buch setzen kein bestimmtes Studienfach voraus. Ob politische Reden, Worterkennung oder das Abstimmungsverhalten in einem Parlament – die Beispiele bringen auf den Punkt, worauf es bei Machine Learning ankommt. Aus dem Inhalt Lineare Regression k-Nearest Neighbors Naive Bayes-Klassifikatoren k-Means-Algorithmus Support Vector Machines Logistische Regression Selbstorganisierende Karten Entscheidungsbäume Reinforcement Learning Neuronale Netze

Titelinformationen "Lebensentstehung und künstliches Leben" Rund zehn Milliarden Jahre nach dem Urknall entstanden aus toter Materie die ersten Zellen und daraus die unermessliche Vielfalt der belebten Natur. Die hochaktuelle Frage "wie konnte das geschehen?" reflektiert das weit verbreitete Interesse an der Herkunft des Lebens auf der Erde. Die Erforschung der Lebensentstehung sucht nach einer Antwort und erlebt zurzeit eine beispiellose Erkenntnis-Explosion. Diese gipfelt in den ernsthaften Bemühungen, lebende Zellen künstlich entstehen zu lassen. Den wissenschaftlichen Erfolgen und der Begeisterung darüber stehen gegenüber die philosophische Erkenntnis, niemals alles wissen zu können, und die religiöse Überzeugung, dass die Evolution des Lebens eines Schöpfers bedurfte. An der Universität Bonn hat ein kompetentes Team von Professoren und Dozenten aus Biologie, Mathematik, Physik, Philosophie und Theologie das Spannungsverhältnis zwischen diesen Wissenschaften zu fruchtbaren Diskussionen genutzt. Das Ergebnis dieser Diskurse ist das vorliegende Buch, das den Leser an einer der wichtigsten Forschungsaktivitäten unserer Zeit teilhaben lässt - Herausgeber ist Prof. Dr. Volker Herzog, Universität Bonn.

Der einfache Einstieg - mit Beispielen in Pyhon Deep Learning muss nicht kompliziert sein. Mit diesem Buch lernst du anhand vieler Beispiele alle Grundlagen, die du brauchst, um Deep-Learning-Algorithmen zu verstehen und anzuwenden. Dafür brauchst du nichts weiter als Schulmathematik und Kenntnisse der Programmiersprache Python. Alle Codebeispiele werden ausführlich erläutert und mathematische Hintergründe anhand von Analogien veranschaulicht. Der Autor erklärt leicht verständlich, wie Neuronale Netze lernen und wie sie mit Machine-Learning-Verfahren trainiert werden können. Du erfährst, wie du dein erstes Neuronales Netz erstellst und wie es mit Deep-Learning-Algorithmen Bilder erkennen sowie natürliche Sprache verarbeiten und modellieren kann. Hierbei kommen Netze mit mehreren Schichten wie CNNs und RNNs zum Einsatz. Fokus des Buches ist es, Neuronale Netze zu trainieren, ohne auf vorgefertigte Python-Frameworks zurückzugreifen. So verstehst du Deep Learning von Grund auf und kannst in Zukunft auch komplexe Frameworks erfolgreich für deine Projekte einsetzen.

Deep Learning ist die Schlüsseltechnologie der Künstlichen Intelligenz. Neuronale Netze bringen Höchstleistung, wenn sie zu Deep-Learning-Modellen verknüpft werden – vorausgesetzt, Sie machen es richtig. Gute Trainingsdaten beschaffen, geschickt implementieren und mehr: Lernen Sie hier, wie Sie die mächtige Technologie wirklich in Ihren Dienst nehmen. Unsere Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow.js. Und das alles ganz aktuell zu TensorFlow 2. Von der Aufbereitung der Daten bis zur Visualisierung Basisprojekte mit Beispielen aus vielen Anwendungsfeldern Mit Python, HTML5 und JavaScript Deep Learning entdecken Deep Learning meistern Wichtige Konzepte verstehen Deep Learning ist nicht gleich Deep Learning. Lernen Sie maschinelles Lernen mit verschiedenen Konzepten und Netztypen von Grund auf kennen. Daten richtig vorbereiten Je mehr Daten, desto besser lernt Ihr Modell? Ja und nein – worauf es außerdem ankommt, erfahren Sie hier. Professionell im Detail Die Frameworks nehmen Ihnen vieles ab, so dass sich leicht erste Ergebnisse erzielen lassen – auch mit eigenen Modellen. Damit Sie Ihre Modelle geschickt trainieren und mehr erreichen können, gehen die Autoren mit Ihnen ins Detail, umschiffen Untiefen und lassen Sie an Ihrer Projekterfahrung teilhaben. Deep Learning im Browser Mit TensorFlow.js bringen Sie Ihre Deep-Learning-Anwendung direkt in den Browser. Dabei verwenden Sie JavaScript und HTML5. Aus dem Inhalt Deep-Learning-Grundkonzepte Installation der Frameworks TensorFlow 2 Convolutional Networks, LSTM, RNN, Pooling .. Aufgaben eines Modells richtig festlegen Eigene Modelle trainieren Overfitting und Underfitting vermeiden Ergebnisse visualisieren

Sprachanwendungen wie Amazon Alexa und Google Translate sind heute allgegenwärtig. Grundlage dafür ist das Natural Language Processing (NLP), das zahllose Möglichkeiten für die Entwicklung intelligenter, Deep-Learning-basierter Anwendungen eröffnet. In diesem Buch lernen Sie die neuesten Techniken zur Verarbeitung von Sprache kennen und nutzen dabei das flexible Deep-Learning-Framework PyTorch.Delip Rao und Brian McMahan geben Ihnen einen Überblick über NLP-Methoden und Grundkonzepte neuronaler Netze und demonstrieren Ihnen dann, wie Sie Sprachanwendungen mit PyTorch entwickeln. Der umfangreiche Beispielcode unterstützt Sie dabei, die gezeigten Techniken nachzuvollziehen und auf Ihre konkreten Aufgabenstellungen zu übertragen.- Erkunden Sie Berechnungsgraphen und das Paradigma des überwachten Lernens- Beherrschen Sie die Grundlagen der PyTorch-Bibliothek, die für Tensor-Manipulationen optimiert wurde- Verschaffen Sie sich einen Überblick über traditionelle NLP-Konzepte und -Methoden- Machen Sie sich mit den Grundkonzepten von neuronalen Netzen vertraut- Untersuchen Sie Feedforward-Netze, wie zum Beispiel das mehrschichtige Perzeptron- Verwenden Sie Einbettungen, um Wörter, Sätze, Dokumente und andere Features darzustellen- Verstehen Sie, wie sich Sequenzdaten mit rekurrenten neuronalen Netzen modellieren lassen- Erkunden Sie Sequenzvoraussagen und generieren Sie Sequenz-zu-Sequenz-Modelle- Lernen Sie Entwurfsmuster für den Aufbau von produktionsreifen NLP-Systemen kennen