Tätig jenseits von Job und Routine Mittlerweile ist allen klar geworden: Künstliche Intelligenz wird die Arbeitswelt in Zukunft grundlegend verändern. Schon jetzt zeichnet sich ab, wozu diese Technologie in der Lage ist, aber das ist wohl nichts im Vergleich zu dem, was uns erwartet. Müssen wir Angst vor diesen Veränderungen haben oder dürfen wir sie begrüßen? Sind wir wirklich hilflos einer unaufhaltsamen Macht ausgeliefert? Nein, schließlich sind wir alle, die Expert:innen wie Konsument:innen, auch diejenigen, die diese Entwicklung entfesselt haben und deshalb für ihre Gestaltung mit verantwortlich sind. Dennoch gibt es eine große Unsicherheit und das allgegenwärtige Gefühl des Kontrollverlusts.Dieses Buch wird Ihnen helfen das zu bewerten, was Sie hören, sehen und befürchten. Was viel zu selten geschieht, leistet dieses Buch: Die Betrachtung der anstehenden Veränderungen wird auf eine solide Basis gestellt, die sich schon oft bewährt hat: Wenn wir uns ansehen, woher wir kommen, verstehen wir besser, wohin wir gehen, besser noch, wohin wir wollen sollten. Wenn man verantwortlich mitgestalten will, darf man nicht wie das Kaninchen vor der Schlange verharren, so faszinierend oder erschreckend das alles sein mag.Der Autor überträgt dieses Prinzip auf die Arbeitswelt. Er betrachtet mit Hilfe von Szenarien die Felder, auf denen die größten Umwälzungen zu erwarten sind, und zeigt, dass auch in der Vergangenheit schon oft große Brüche stattgefunden haben. Daraus kann man Schlüsse ziehen und lernen, was die heutigen Entwicklungen bedeuten, welche technischen, ökonomischen und sozialen Triebkräfte diese Innovationen in der Künstlichen Intelligenz und der Robotik vorantreiben. Das erlaubt dem Autor eine mögliche Arbeitswelt der Zukunft zu entwerfen, die eine Welt der gestaltenden und überwiegend überwachenden Tätigkeiten sein könnte. Dies ist nicht als Prognose zu verstehen, sondern als Ergebnis einer technikwissenschaftlich und philosophisch ausgelegten Analyse dessen, was wir mit unseren neuen technischen und organisatorischen Möglichkeiten wollen könnten. Und hier gibt es immer mehrere Alternativen.Um herauszufinden, was wir wollen, lohnt ein Blick auf die Bedeutung der bisherigen Arbeit als Teil unserer Biographie, als Sinn- und Identitätsstiftung, als soziale Teilhabe und nicht zuletzt als Quelle von Eigentum und Wohlstand. Und auch hier gibt es abhängig von Kulturen, geschichtlichen Prozessen und Wirtschaftstheorien völlig unterschiedliche Auffassungen, die Ihnen der Autor so vor Augen führt, dass sie selbst urteilen können.Wenn Sie das Buch gelesen haben, wird Ihnen manches an der derzeitigen Diskussion über die Auswirkungen von KI auf die Arbeitswelt übertrieben vorkommen. Sie werden jedoch besser verstehen, wo die Grenzen der KI liegen, wo unsere eigenen Grenzen liegen, die wir mit KI zu überwinden hoffen und nicht zuletzt, wo wir aus Verantwortung für künftige Generationen Grenzen setzen müssen.Autor:Klaus Kornwachs (geb.1947) studierte Physik, Mathematik und Philosophie. 1979-1992 Fraunhofer-Institut für Arbeitswirtschaft und Organisation, Stuttgart, zuletzt als Leiter der Abteilung für Qualifikationsforschung und Technikfolgenabschätzung, 1991 Forschungspreis der Alcatel SEL-Stiftung für Technische Kommunikation. 1992-2011 Lehrstuhl für Technikphilosophie an der BTU Cottbus. Mitglied der Deutschen Akademie der Technikwissenschaften (acatech), Gastprofessuren in Wien, Budapest, Stuttgart und Dalian (China). Prof. Kornwachs lehrt derzeit an der Universität Ulm, und ist seit 2013 Honorary Professor am Intelligent Urbanization Co-Creation Center der Tongji University, Shanghai. Herausgeber und Autor zahlreicher Fachbücher und Veröffentlichungen

Data Science, Big Data und künstliche Intelligenz gehören derzeit zu den Konzepten, über die in Industrie, Regierung und Gesellschaft am meisten geredet wird, die aber auch am meisten missverstanden werden. Dieses Buch klärt diese Konzepte und vermittelt Ihnen praktisches Wissen, um sie anzuwenden.Das Buch nähert sich dem Thema Data Science von mehreren Seiten. Es zeigt Ihnen, wie Sie Datenplattformen aufbauen sowie Data Science Tools und Methoden anwenden. Auf dem Weg dorthin hilft es Ihnen zu verstehen - und den verschiedenen Interessengruppen zu erklären - wie Sie aus diesen Techniken einen Mehrwert generieren können, z. B. indem Sie Data Science einsetzen, um Unternehmen dabei zu helfen, schnellere Entscheidungen zu treffen, Kosten zu senken und neue Märkte zu erschließen.In einem zweiten Teil werden die grundlegenden Konzepte der Datenwissenschaft beschrieben, einschließlich mathematischer Grundlagen, Verfahren maschinellen Lernens inklusive Frameworks sowie Text-, Bild- und Sprachverarbeitung. Abgerundet wird das Buch durch rechtliche Überlegungen und praktische Fallstudien aus verschiedenen Branchen.Aus dem Inhalt:Grundlagen der Mathematik: ML-Algorithmen verstehen und nutzenMachine Learning: Von statistischen zu neuronalen Verfahren; von Transformers und GPT-3 bis AutoMLNatural Language Processing: Werkzeuge und Techniken zur Gewinnung von Erkenntnissen aus Textdaten und zur Entwicklung von SprachtechnologienComputer Vision: Erkenntnisse aus Bildern und Videos gewinnenModellierung und Simulation: Modellierung des Verhaltens komplexer Systeme, z. B. der Ausbreitung von COVID-19. Was-wäre-wenn-AnalysenML und KI in der Produktion: Vom Experiment zum Data-Science-ProduktErgebnisse präsentieren: Grundlegende Präsentationstechniken für Data ScientistsLeseprobe (PDF-Link)Autoren:Das Autor:innenteam besteht aus Datenexpert:innen aus der Wirtschaft und aus dem akademischen Umfeld. Das Spektrum reicht von strategisch ausgerichteten Führungskräften über Data Engineers, die Produktivsysteme erstellen, bis hin zu Data Scientists, die aus Daten Wert generieren. Alle Autor:innen sind im Vorstand oder Mitglieder der Vienna Data Science Group (VDSG). Diese NGO hat sich zum Ziel gesetzt, eine Plattform für den Wissensaustausch zu etablieren.

Tauchen Sie in die Welt der Algorithmen ein und erforschen Sie die Verbindung zwischen Programmierung und Mathematik. Dr. Veit Steinkamp löst mit Ihnen Aufgaben aus verschiedenen Bereichen und zeigt, wie Rechnungen in Code umgesetzt werden. Sie lernen die grundlegenden Programm- und Datenstrukturen Pythons kennen und erfahren, welche Module Ihnen viel Arbeit abnehmen können. Rasch programmieren Sie Algorithmen zum Lösen von Gleichungssystemen nach, automatisieren Kurvendiskussionen und berechnen Integrale. Abstrakte Zusammenhänge werden so deutlich, und ganz nebenbei verbessern Sie Ihre Python-Fähigkeiten und programmieren geschickter und gekonnter. Aus dem InhaltPython installieren und anwendenDaten- und ProgrammstrukturenModule: NumPy, SymPy, MatplotlibZahlenGleichungssystemeFolgen und ReihenFunktionenDifferenzial- und IntegralrechnungDifferenzialgleichungenAusgleichsrechnungenStatistikFraktale Geometrie Leseprobe (PDF-Link)Autor: Dr. Veit Steinkamp hat Elektrotechnik und Deutsch für das Lehramt studiert und dieses Wissen an beruflichen Schulen und Fachhochschulen weitergegeben.

Data Science, Machine Learning und Statistik verstehen und datenintensive Jobs meistern. Fundierte Datenkompetenz für den Arbeitsplatz entwickeln – auch ohne Programmierkenntnisse.Dieses Buch ist ein umfassender Leitfaden für das Verständnis von Datenanalyse am Arbeitsplatz. Alex Gutman und Jordan Goldmeier lüften den Vorhang der Data Science und geben Ihnen die Sprache und die Werkzeuge an die Hand, die Sie benötigen, um informiert mitreden zu können, kritisch über die Auswertung von Daten zu sprechen und die richtigen Fragen zu stellen. Dank dieses Buchs kann jede:r ein Data Head werden und aktiv an Data Science, Statistik und Machine Learning teilnehmen – auch ohne einen technischen Background.In diesem unterhaltsamen und gut verständlichen Buch werden die aktuellen, zum Teil komplexen Data-Science- und Statistik-Konzepte anhand einfacher Beispiele und Analogien veranschaulicht. Sie lernen statistisches Denken, das Vermeiden häufiger Fallstricke bei der Interpretation von Daten, und Sie erfahren, was es mit Machine Learning, Textanalyse, Deep Learning und künstlicher Intelligenz wirklich auf sich hat. Wenn Sie in Ihrem Unternehmen konkret mit Daten arbeiten, Führungskraft oder angehender Data Scientist sind, zeigt Ihnen dieses Buch, wie Sie ein echter Data Head werden.Die Autoren:Alex J. Gutman ist Data Scientist, Unternehmenstrainer und Accredited Professional Statistician®. Sein beruflicher Schwerpunkt liegt auf statistischem und maschinellem Lernen, und er verfügt über umfangreiche Erfahrungen als Data Scientist für das US-Verteidigungsministerium und zwei Fortune-50-Unternehmen. Seinen Doktortitel in angewandter Mathematik erhielt er vom Air Force Institute of Technology.Jordan Goldmeier ist ein international anerkannter Analytik- und Datenvisualisierungs-Experte, Autor und Redner. Er wurde sieben Mal mit dem Microsoft Most Valuable Professional Award ausgezeichnet und hat Mitglieder von Pentagon und Fortune-500-Unternehmen in Analytik unterrichtet. Er ist Autor der Bücher Advanced Excel Essentials und Dashboards for Excel.

Das Buch bietet eine leicht verständliche Einführung in Machine-Learning-Algorithmen im Allgemeinen und in die Verarbeitung von Textdaten mit Deep-Learning-Verfahren im Besonderen. Es veranschaulicht die theoretischen Konzepte bewährter und neuerer NLP-Ansätze und führt in die praktische Umsetzung ein.Im Fokus stehen insbesondere folgende Verfahren:Vektorisierung von Wörtern mit Word EmbeddingVerarbeitung von Texten mit rekurrenten und konvolutionalen neuronalen Netzen.Aufbau von Sequence-to-Sequence-Modellen zur Übersetzung und für Textzusammenfassungen.Arbeit mit der Transformers-Bibliothek und Hugging Face.Leseprobe (PDF-Link)Anhand praktischer Anwendungen (Klassizierung von Texten, Rechtschreibkorrektur, Übersetzung, Frage-Antwort-System) wird gezeigt, wie sich Textdaten vorbereiten und effektive Lernmodelle mit Bibliotheken wie Transformers, TensorFlow/Keras und Scikit-Learn aufbauen, trainieren und produktiv einsetzen lassen.Autor:Dr. Jochen Hirschle ist IT-Trainer und Consultant für Machine Learning und Deep Learning in Braunschweig. Er ist erfahrener Programmierer in Python und Java und war als Wissenschaftler und Dozent an den Universitäten in Köln, Innsbruck und Frankfurt tätig. Er kennt die Fallstricke der statistischen Datenanalyse und die Tricks maschinellen Lernens aus seiner langjährigen Praxis und er weiß, wie sich komplexe Sachverhalte einfach erklären lassen.

End-to-End-Pipelines für Continuous Machine Learning implementieren Mit diesem Buch lernen Machine-Learning- und KI-Praktiker:innen, wie sie erfolgreich Data-Science-Projekte mit Amazon Web Services erstellen und in den produktiven Einsatz bringen. Das praxisorientierte Handbuch stellt den KI- und Machine-Learning-Stack von Amazon vor, der Data Science, Data Engineering und Anwendungsentwicklung umfasst. Chris Fregly und Antje Barth zeigen Ihnen, wie Sie ML-Pipelines in der Cloud anlegen und die Ergebnisse innerhalb von Minuten in Anwendungen integrieren. Sie erfahren zudem, wie Sie Kosten senken können und die Performance Ihrer Anwendungen optimieren.Aus dem Inhalt: Wenden Sie den KI- und ML-Stack von Amazon auf reale Use Cases an, insbesondere aus den Bereichen Natural Language Processing, Computer Vision, Betrugserkennung oder dialogfähige GeräteNutzen Sie AutoML, um sich wiederholende Aufgaben mit Amazon SageMaker Autopilot zu automatisierenTauchen Sie tief in den kompletten Lebenszyklus einer NLP-Modellentwicklung auf BERT-Basis ein und lernen Sie dabei, wie Sie Daten einlesen und analysieren sowie Modelle trainieren und deployenBündeln Sie alle Teilschritte eines Workflows zu einer wiederverwendbaren MLOps-PipelineVerwenden Sie Amazon Kinesis und Amazon Managed Streaming for Apache Kafka für Echtzeit-ML, Anomalieerkennung und Streaming-AnalysenProfitieren Sie von bewährten Sicherheitspraktiken für das Identitäts- und Zugriffsmanagement, die Authentifizierung und AutorisierungAutoren: Chris Fregly ist Principal Developer Advocate für KI und Machine Learning bei AWS in San Francisco. Er spricht regelmäßig auf Konferenzen auf der ganzen Welt zu KI und Machine Learning, unter anderem bei der O'Reilly AI Superstream Series. Zuvor hat er PipelineAI gegründet, war Solutions Engineer bei Databricks und Software Engineer bei Netflix. In den letzten zehn Jahren hat er sich auf den Aufbau von KI- und Machine-Learning-Pipelines mit AWS konzentriert. Antje Barth ist Senior Developer Advocate für KI und Machine Learning bei AWS in Düsseldorf. Sie ist Mitbegründerin der Düsseldorfer Gruppe von „Women in Big Data“ und spricht häufig auf KI- und Machine Learning-Konferenzen und Meetups auf der ganzen Welt. Außerdem leitet und kuratiert sie Inhalte für O'Reilly-AI-Superstream-Veranstaltungen. Zuvor war sie als Software Engineer bei Cisco und MapR tätig und beschäftigte sich mit Infrastrukturen für Rechenzentren, Big Data und KI-Anwendungen.Zielgruppe: Data ScientistsData EngineersMachine Learning Engineers

Wie bringt man Computern das Lernen aus Daten bei?Diese praxisorientierte Einführung vermittelt anhand zahlreicher Beispiele die Grundlagen des maschinellen Lernens mit R, H2O und Keras. Sie werden in die Lage versetzt, den jeweils zielführenden Ansatz auszuwählen und auf eigene Fragestellungen wie Bild-Klassifizierung oder Vorhersagen anzuwenden. Da fehlerhafte Daten den Lernerfolg gefährden können, wird der Datenvorbereitung und -analyse besondere Aufmerksamkeit gewidmet. R stellt hierfür hochentwickelte und wissenschaftlich fundierte Analyse-Bibliotheken zur Verfügung, deren Funktionsweise und Anwendung gezeigt werden. Sie erfahren, für welche Anwendungsfälle statistische Verfahren wie Regression, Klassifikation, Faktoren-, Cluster- und Zeitreihenanalyse ausreichen und wann Sie besser mit neuronalen Netzen wie z. B. CNNs oder RNNs arbeiten sollten. Hier kommen das Framework H20 sowie Keras zum Einsatz. Anhand von Beispielen wird gezeigt, wie Sie Stolpersteine beim Lernvorgang analysieren oder von vornherein vermeiden können. Darüber hinaus erfahren Sie, unter welchen Umständen Sie die Ergebnisse des maschinellen Lernens weiterverwenden können und wie Sie dabei vorgehen.Leseprobe (PDF-Link)Autor:Prof. Dr. Uli Schell lehrt seit 1997 an der Hochschule Kaiserslautern. Er ist stellvertretender Direktor des „Chinesisch-Deutschen Kollegs für Intelligente Produktion“ an der Shanghai DianJi University sowie Leiter der Technischen Akademie Südwest Kaiserslautern. Zuvor war er Software-Entwickler und Methoden-Berater bei BBC und der SAP AG.

Lösungsfokussiertes Vorgehen im Coaching und für Leadership im agilen Umfeld Der Einsatz von Coaching-Techniken als wirksame Unterstützung zum gegenseitigen Verständnis kann zu einem Mehr an erlebter Sicherheit und Vertrauen innerhalb von selbstorganisierten Teams beitragen. Der lösungsfokussierte Beratungsansatz bietet sich hier besonders an, da er den Betrachtungsraum weg vom Problem und hin zu Lösungsansätzen verschiebt. Die beiden Autoren stellen lösungsorientierte Coaching-Methoden vor und erklären, wie sie im beruflichen Alltag erfolgreich angewendet werden können. Dabei nutzen sie zusätzlich hilfreiche Erkenntnisse aus der Positiven Psychologie, der modernen Gehirnforschung, den Kommunikationswissenschaften und nicht zuletzt natürlich auch aus der eigenen Praxis. Sie finden in »Agile Teams lösungsfokusiert coachen« praktische Werkzeuge und Methoden, deren Anwendung sofort spürbare Verbesserungen in der Arbeit mit Teams bringen. Dabei erhalten Sie Einsichten, was bei uns Menschen Widerstand und Motivation auslöst und können dieses Wissen für erfolgreiche Kommunikation in der täglichen Arbeit nutzen. Die 4. Auflage wurde durch  »Das Plädoyer für die Einfachheit in Retrospektiven« erweitert und mit Tools zum »Umgang mit Rahmenbedingungen«, »WWW-Feedback« und »Speed Dating« ergänzt.Zielgruppe: (Agile) CoachesScrum MasterVerantwortliche in ProjektteamsFührungskräfte Autoren: Veronika Jungwirth, MC, arbeitet seit 2006 selbstständig und mit Begeisterung als Coach, Trainerin für lösungsfokussiertes Coachen und Führen, Moderatorin von Teambildungsprozessen und als Beraterin und Begleiterin von Change-Prozessen in unterschiedlichen Industrien. Dabei integriert sie ihre Erfahrungen, die sie in den Jahren als Pädagogin, als Point of Sales-Trainerin in einem Großkonzern und in ihrer Coaching-Praxis gesammelt hat. Sie ist Mitbegründerin des Austrian Solution Circle. Zudem engagiert sie sich im Bereich der Potenzialfokussierten Pädagogik, wo sie Führungspersönlichkeiten aus Schule und Kindergarten ausbildet und Teams in ihrer Zusammenarbeit begleitet. Kontakt: kotrba@sinnvoll-fuehren.com Dr. Ralph Miarka, MSc, arbeitet als selbstständiger Coach, Berater und Trainer. Er führt Unternehmen und deren Teams seit Jahren zu einer erfolgreichen agilen Arbeitsweise. Zuvor war er bei der Sie-mens AG Österreich als Projektmanager, Projektberater und Abteilungsleiter im Support-Center-Projektmanagement tätig. In eigenen Projekten konnte er sich und seine Kunden von den Vor-teilen des agilen Arbeitens überzeugen. Ralph ist ausgebildeter Business-Coach mit Masterabschluss. Es begeistert ihn zu beob-achten, wie sich eine Gruppe von Menschen zu einem Team wan-delt, das gemeinsam ein Ziel erreichen möchte. Gerne teilt Ralph auch seine Erkenntnisse und Erfahrungen mit anderen auf Konfe-renzen, bei Workshops und in Trainings. Kontakt: miarka@sinnvoll-fuehren.com Gemeinsam leben sie in Wien. Als sinnvollFÜHREN treten sie im Zeichen des Pinguins auf und möchten Menschen dabei unterstützen, ihre Führungsarbeit mit Leichtigkeit und mehr Wirksamkeit erfüllen zu können. Seit 2012 tragen sie den lösungsfokussierten Ansatz in die agile Gemeinschaft. Sie treten als Redner und Workshop-Moderatoren bei zahlreichen Kon-ferenzen und Agile Coach Camps auf. Außerdem waren und sind sie bei der Organisation der XP 2013, der Agile Coach Camps Österreich 2014–2018 und der EBTA 2015 führend beteiligt. Kontakt: office@sinnvoll-fuehren.com

Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele. Sie erhalten eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Zielgruppe:Data ScientistsSoftwareentwickler*innenDatenanalyst*innenStudierende der Informatik Autor: Joe Papa verfügt über 25 Jahre Erfahrung in Forschung und Entwicklung und ist Gründer von TeachMe.AI. Seinen Abschluss „Master of Science in Electrical Engineering“ hat er an der Universität Rutgers erworben. Bei Booz Allen Hamilton und Perspecta Labs hat er KI-Forschungsteams mit PyTorch geleitet. Joe hat Hunderte von Datenwissenschaftlern als Mentor betreut und mehr als 6.000 Studenten auf der ganzen Welt auf Udemy unterrichtet.

Roboter bauen und programmieren lernen - spannende Erstauflage November 2021.Ein Roboter, der Nachrichten überbringen kann? Oder ein Roboter-Tier, das man selbst steuert und das genau das macht, was man möchte? Mit Robo Wunderkind und diesem Buch kannst man in die spannende Welt der Robotik eintauchen und selbst entworfenen Roboter nach eigenen Vorstellungen programmieren. Die Autorin führt einen Schritt für Schritt in die Welt von Robo ein. Egal, ob man die ersten Schritte in der Programmierung macht oder etwas komplexere Aufgaben programmieren möchte, in diesem Buch findet man für jedes Level Ideen und Anleitungen. Im ersten Teil des Buchs stellt die Autorin die einzelnen Robo-Sets und Blöcke vor: Manche Blöcke können Sounds abspielen, andere senden Lichtsignale oder schreiben Textnachrichten. Man kann die Blöcke beliebig kombinieren und so der eigenen Fantasie freien Lauf lassen.Im zweiten Teil lernst man die Coding-App kennen. Für jedes der drei Level »Robo Live«, »Robo Code« oder »Robo Blockly« findest man Ideen für die verschiedenen Sets: zum Beispiel die Musikmaschine für Robo Live, den Postboten-Robo für Robo Code und den Mondforscher-Robo für Robo Blockly. Die Autorin erklärt leicht verständlich die Befehle und verschiedenen Optionen der Coding-App – und man findet im Buch ganz viele tolle Robo-Projekte, mit denen man sich austoben und alles ausprobieren kann.Aus dem Inhalt:Die verschiedenen Blöcke und SetsVorstellung der drei Programmierlevels: Robo Live, Robo Code, Robo BlocklyProjekte für jedes Set und Level:Mars-RoverAngst-Hasen-RoboLichtweckerPostboteLinienfolgeru.v.m.Erklärungen zu allen Befehlen:den Robo flitzen oder sein LED-Licht leuchten lassenHupen- oder Lasergeräusche erzeugenHindernisse erkennen und ausweichenNachrichten in einem Display anzeigenOft verwendete Begriffe in der ProgrammierungAnregungen zu eigenen IdeenFragen und Antworten in jedem KapitelInhalt & Leseprobe (PDF-Link)

Entwurfsmuster für Datenaufbereitung Modellbildung und MLOpsDie Design Patterns in diesem Buch zeigen praxiserprobte Lösungen für wiederkehrende Aufgaben im Machine Learning. Die Autor:innen – ML-Experten bei Google – beschreiben Methoden, die Data Scientists helfen, typische Probleme im gesamten ML-Prozess zu bewältigen. Die Entwurfsmuster verdichten die Erfahrungen von Hunderten von Expert:innen zu klar strukturierten, zugänglichen Best Practices. Das Buch bietet detaillierte Erläuterungen zu 30 Mustern für die Daten- und Problemdarstellung, Operationalisierung, Wiederholbarkeit, Reproduzierbarkeit, Flexibilität, Erklärbarkeit und Fairness. Zu jedem Muster erhält man eine Beschreibung des Problems, eine Vielzahl möglicher Lösungen sowie Empfehlungen, welche Technik die beste für Problemstellungen ist. Aus dem Inhalt:Herausforderungen beim Trainieren, Bewerten und Deployen von ML-Modellen erkennen und überwindenDaten für verschiedene ML-Modelltypen mit Einbettungen, Feature Crosses und mehr darstellenden richtigen Modelltyp für bestimmte Fragestellungen auswähleneine robuste Trainingsschleife mit Checkpoints, Verteilungsstrategie und Hyperparameter-Tuning erstellenskalierbare ML-Systeme deployen, die bei erneutem Training aktuelle Daten berücksichtigenModellvorhersagen für Stakeholder interpretierenModellgenauigkeit, Reproduzierbarkeit, Resilienz und Fairness verbessernAutoren:Valliappa Lakshmanan ist Global Head für Datenanalyse und KI-Lösungen bei Google Cloud. Sara Robinson ist Developer Advocate im Google-Cloud-Team, sie ist spezialisiert auf Machine Learning. Michael Munn ist ML Solutions Engineer bei Google. Er unterstützt Kunden bei der Entwicklung, Implementierung und Bereitstellung von Machine-Learning-Modellen.

Ideal für Aus- und Weiterbildung Big Data, Machine Learning und künstliche Intelligenz sind aktuell wohl die am schnellsten wachsenden Teilgebiete der Informatik. Nicht umsonst wurde daher 2020 der neue Fachinformatik-Ausbildungsgang Daten- und Prozessanalyse eingeführt. Worauf es dabei ankommt, zeigt dieses neue Lehr- und Praxisbuch. Auszubildende dieser Fachrichtung finden hier alle nötigen mathematischen Grundlagen, eine Einführung in die Python-Programmierung, Algorithmen und insbesondere Machine-Learning-Verfahren sowie in die Geschäftsprozessanalyse. Für alle Themen kommen praxiserprobte Sprachen, Tools und Bibliotheken zum Einsatz. Inkl. zahlreicher Übungsaufgaben. Aus dem Inhalt:Arbeitsoberfläche, Navigation und ObjekteModelling und SculptingShading, Texturing und MappingLichtquellen, Kameras und TrackingAnimationen mit Keyframes, Pfaden und DrivernPartikelsysteme, Haare und KollisionenRauch, Feuer und FlüssigkeitenDie neuen Geometry Nodes2D-Animationen mit Grease PencilRendering mit Eevee und CyclesCompositing, Schnitt und Ton Import und ExportAutor: Sascha Kersken arbeitet seit vielen Jahren als Softwareentwickler sowie als Trainer für EDV-Schulungen in den Themengebieten Netzwerke und Internet, interaktive Medien und Programmierung. Er hat zahlreiche Fachbücher und Artikel zu verschiedenen IT-Themen geschrieben.Leseprobe (PDF-Link)

Machine-Learning-Prozesse im Unternehmen nachhaltig automatisieren und skalierenMachine-Learning-Modelle zu entwickeln ist das eine, sie im Produktivbetrieb effizient einzusetzen, eine ebenfalls nicht zu unterschätzende Herausforderung – so die Erfahrung vieler Unternehmen. Dieses Buch zeigt Ihnen, wie Sie mithilfe durchdachter MLOps-Strategien eine stabile DevOps-Umgebung für Ihre ML-Anwendungen aufbauen, Ihre Modelle kontinuierlich verbessern und langfristig warten.Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen aus der ganzen Welt geben neun ML-Experten praxiserprobte Hilfestellungen zu den fünf Schritten des Modelllebenszyklus – Entwicklung, Preproduction, Deployment, Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktworkflow integriert werden können.

IT-Grundlagen von A bis Z in 10. aktualisierten und überarbeiteten Auflage, Juli 2021. Mit diesem bewährten Klassiker in der zehnten Auflage haben Sie das ganze Wissen zur Hand, das Fachinformatiker*innen in ihrer Ausbildung benötigen: Hardware, Betriebssysteme, Programmiergrundlagen, Daten- und Prozessanalyse, Netzwerke, Datenbanken und Multimedia. Aktuell und mit neuen Themen zur Neuordnung der IT-Berufe. Die zahlreichen Prüfungsfragen und Praxisübungen unterstützen Sie beim Lernen und bei der Vorbereitung auf Abschluss- oder Zwischenprüfung.Aus dem Inhalt:Überblick IT-AusbildungMathematische und technische GrundlagenHardware und Betriebssysteme, Datenbanken Windows, Linux, macOS – Grundlagen und PraxisNetzwerktechnik und -praxis, IT-SicherheitDatenanalyse, Machine Learning, KIProgrammierung in C, Java und Python, Software-EngineeringAlgorithmen und DatenstrukturenProzessanalyseSoftware-EngineeringInternet- und WebtechnologienAktuelle Themen: z. B. PHP 8 HTML5, CSS3, Node.js, React, Scrum, Cloud Computing, Python 3.10, JenkinsInhalt (PDF-Link)Leseprobe (PDF-Link)

Lernen, wie ein Informatiker zu denken – der abwechslungsreiche Praxiskurs für Python.Wenn Sie programmieren lernen wollen, eignet sich Python hervorragend als Einstieg. Dieses Praxisbuch führt Sie Schritt für Schritt durch die Sprache, beginnend mit grundlegenden Programmierkonzepten, über Funktionen, Syntax und Semantik, Rekursion und Datenstrukturen bis hin zum objektorientierten Design.Lernen Sie, wie ein Programmierprofi zu denken! Allen Downey führt Sie nicht nur fundiert in Python ein, sondern leitet Sie auch an, über die Sprachkonstrukte nachzudenken, und vermittelt Ihnen so grundlegende Problemlösungsstrategien der Informatik. Die Kapitel enthalten jeweils ein Glossar der Fachbegriffe sowie Übungen und Fallstudien, kurze Verständnistests und kleinere Projekte, an denen Sie die neu erlernten Programmierkonzepte gleich ausprobieren können. Auf diese Weise wenden Sie das Gelernte direkt an und festigen Ihr Verständnis für die konkrete Programmierpraxis.Starten Sie mit den Grundlagen, einschließlich Sprachsyntax und SemantikEntwickeln Sie eine klare Vorstellung von den jeweiligen ProgrammierkonzeptenLernen Sie Werte, Variablen, Anweisungen, Funktionen und Datenstrukturen in einer logischen Abfolge kennenEntdecken Sie, wie Sie mit Dateien und Datenbanken arbeiten könnenVerstehen Sie Objekte, Methoden und objektorientierte ProgrammierungWenden Sie Debugging-Techniken an, um Syntax-, Laufzeit- und Semantikfehler zu behebenErforschen Sie Funktionen, Datenstrukturen und Algorithmen anhand aussagekräftiger BeispieleInhalt (PDF-Link)

Wie KI funktioniert und wann sie scheitert. Eine unterhaltsame Reise in die seltsame Welt der Algorithmen, neuronalen Netze und versteckten Giraffen.Wir verlassen uns jeden Tag auf künstliche Intelligenz, wenn es um Empfehlungen, Übersetzungen und Katzenohren für unsere Selfie-Videos geht. Wir vertrauen KI auch in Fragen von Leben und Tod, auf der Straße und in unseren Krankenhäusern. Aber wie intelligent ist KI wirklich, auf welche Weise löst sie Probleme, wie versteht sie Menschen?Janelle Shane liefert Antworten auf Fragen zu KI, die Sie sich schon immer gestellt haben, und auf einige, auf die Sie definitiv noch nicht gekommen sind: Wie kann ein Computer das perfekte Sandwich entwerfen? Und kann man einer KI beibringen, zu flirten oder gute Witze zu erzählen?In dieser klugen, oft sehr lustigen Einführung in die interessanteste Wissenschaft unserer Zeit zeigt Janelle Shane, wie KI-Algorithmen lernen, wo sie versagen und wie sie sich anpassen. Sie erfahren, wie KIs trainiert werden, was Deep Learning ist, wo die Gefahren bei selbstfahrenden Autos liegen, wie sich Vorurteile aus KI-Trainingsdaten auf Bewerbungsverfahren auswirken – und warum Bilderkennungs-KIs auf Giraffen fixiert sind.Das perfekte Buch für alle, die sich eine informierte Meinung bilden möchten und neugierig darauf sind, wie die KI-Roboter in unserem Leben funktionieren.

Das Standardwerk in 7. Auflage, aktuell zum Raspberry Pi Pico. Bücher zum Raspberry Pi gibt es viele. Aber keines ist wie dieser Bestseller in neuer Auflage. Die RasPi-Experten Michael Kofler, Charly Kühnast und Christoph Scherbeck bieten Ihnen auf über 1.000 Seiten das komplette Wissen, damit Sie mit dem Raspberry Pi richtig durchstarten. Dieses Handbuch ist randvoll mit Grundlagen und Kniffen zu Linux, Hardware, Elektronik und Programmierung. Genau richtig für alle Maker und Tekkies, die den Minicomputer rundum kennenlernen wollen. Und Ihr neues Wissen vertiefen Sie in zahlreichen spannenden Bastelprojekten. Vorwissen? Nicht nötig, Ihr Erfindergeist reicht völlig aus. Legen Sie gleich los und lassen Sie Ihrer Kreativität freien Lauf! Aus dem Inhalt Den Raspberry Pi kennenlernen: Kauf und Inbetriebnahme, Betriebssysteme, SoftwareIhr Medien-Center: der Raspberry Pi mit Kodi, LibreELEC, als DLNA-Server und als NAS-Gerät (openmediavault)Hardware-Grundlagen: Elektrotechnik-Crashkurs, Werkzeuge, Zusatzgeräte u. v. m.Sensoren, Servo- und Schrittmotoren, LEDs, Bussysteme, DisplaysGertboard, PiFace, Raspberry-Pi-HATs, HiFiBerry-Audio-SystemProgrammierung: Python, bash, C, Java und PHP mit dem Raspberry PiProjekte: viele spannende Ideen für Einsteiger und FortgeschritteneServocam, Luftraumüberwachung, Smartlight-Steuerung, Heimautomation u. v. m.Fingersensor, OLED-Display, ePaper-Display, Feinstaubmessgerät, WassermelderLeseprobe (PDF-Link)

Wie Robotik das Lernen im digitalen Zeitalter bereichern kann.Der Bildungsbereich verändert sich durch die Einführung digitaler Technologien. Roboter sind die Brücke zwischen der digitalen und der physischen Welt und daher ein wesentliches Thema in und für die Bildung. Dies hat einen direkten Einfluss darauf, wie und was wir den Lernenden beibringen.Dieses Buch bietet eine Einführung in die Verwendung und den Einsatz von Robotern in der Bildung und hilft Forschern geeignete Soft- und Hardware zu entwickeln. Lehrer und Trainer erfahren, wie sie Roboter in ihrer Arbeit mit Schülern und Studenten einsetzen können. Es bietet eine Einführung in die einschlägigen Lehr- und Lerntheorien im Zusammenhang mit dem veränderten Lernen sowie praktische Ratschläge zum Einsatz von Robotern als Teil eines Lehrplans.Leseprobe (PDF-Link)

Ein neuer Blick auf Informatik und Gesellschaft. Einführung in die Modellierung und Analyse digitaler Technikfolgen.Welche Auswirkungen könnte es haben, wenn Technik in den Körper implantiert wird und sich Menschen zunehmend zu Cyborgs entwickeln? Wie kann es passieren, dass sich mazedonische Jugendliche in den Präsidentschaftswahlkampf der USA einmischen? Wann entstehen Filterblasen?In den letzten Jahren konnten viele gewollte und ungewollte Technikfolgen der digitalen Transformation beobachtet werden. Die in diesem Buch vorgestellte Sozioinformatik befasst sich mit der Modellierung und Analyse solcher Phänomene: Sie untersucht dafür die Folgen der informatischen Gestaltung unter interdisziplinären Aspekten, insbesondere denen der Verhaltensökonomie.Zentrales Hilfsmittel der Analyse ist der Aufbau eines visuellen Wirkungsgefüges, mit dem verschiedene Dynamiken und Technikfolgen in der digitalen Transformation abgeschätzt werden können. Damit wird erklärbar, wann man eine Filterblase erwarten kann, warum manche digitale Technik unsere Aufmerksamkeit so effektiv bindet, und warum Software dazu verführen kann, Einfluss auf Wahlen in einem anderen Land zu nehmen.Das Buch eignet sich als Grundlage für »Informatik und Gesellschaft« Vorlesungen in der Informatik, genauso als Grundlage für Seminare in den Gesellschaftswissenschaften oder zur Besprechung digitaler Phänomene in der Schule. Es bietet zudem eine neue Kommunikationsmethode, die im Journalismus, der Politik oder in der Beratung eingesetzt werden kann.Leseprobe (PDF-Link)

Der kompakte Schnelleinstieg in Machine Learning und Deep Learning in der neuen 2. Auflage 04/2021!Machine Learning beeinflusst heute beinahe alle Bereiche der Technik und der Gesellschaft. Dieses Buch bietet Interessierten, die einen technischen Hintergrund haben, die schnellstmögliche Einführung in das umfangreiche Themengebiet des maschinellen Lernens und der statistischen Datenanalyse. Dabei werden folgende Themen behandelt und mit praktischen Beispielen veranschaulicht:Datenimport und -vorbereitungSupervised LearningFeature-Auswahl, ModellvalidierungNeuronale Netze und Deep LearningUnsupervised LearningReinforcement LearningAnhand konkreter Datensätze lernen Sie einen typischen Workflow kennen: vom Datenimport über Datenbereinigung, Datenanalyse bis hin zur Datenvisualisierung. Die Codebeispiele basieren auf Python und den Bibliotheken Scikit-Learn, Pandas, NumPy, TensorFlow und Keras.Nach der Lektüre dieses Buchs haben Sie einen Überblick über das gesamte Thema und können Ansätze einordnen und bewerten. Das Buch vermittelt Ihnen eine solide Grundlage, um Ihre ersten eigenen Machine-Learning-Modelle zu trainieren und vertiefende Literatur zu verstehen.

Mit praktischen Beispielen für Machine Learning im Unternehmenseinsatz.Sie wollen neuronale Netze und Machine-Learning-Algorithmen mit C# entwickeln? Dann finden Sie in diesem Buch eine gut verständliche Einführung in die Grundlagen und es wird Ihnen gezeigt, wie Sie neuronale Netze und Machine-Learning-Algorithmen in Ihren eigenen Projekten praktisch einsetzen.Mithilfe von Beispielen erstellen und trainieren Sie Ihr erstes neuronales Netz zur vorausschauenden Wartung einer Produktionsmaschine.Im Praxisteil lernen Sie dann, wie Sie TensorFlow-Modelle in ML.NET benutzen oder Infer.NET direkt verwenden können. Des Weiteren nutzen Sie die Predictive- und Sentiment-Analyse, um sich mit Machine-Learning-Algorithmen vertraut zu machen.Alle im Buch vorgestellten Projekte sind in C# programmiert und stehen als Download zur Verfügung. Grundkenntnisse in C# werden für die Arbeit mit dem Buch vorausgesetzt. Alle Projekte lassen sich ohne größere Rechnerressourcen umsetzen.Daniel Basler arbeitet als Lead Developer und Softwarearchitekt. Seine Schwerpunkte liegen auf Cross-Platform-Apps, Android, JavaScript und Microsoft-Technologien. Er entwickelt u.a. Software für Regal- und Flächenlagersysteme sowie Anlagenvisualisierung und setzt in diesem Umfeld verstärkt Machine-Learning-Methoden ein. Darüber hinaus schreibt er regelmäßig Artikel für die Fachzeitschriften dotnetpro und web&mobile Developer.Leseprobe (PDF-Link)

So macht theoretische Informatik Spaß! Erstauflage, März 2021. Der Vorlesungsbegleiter zum Fach »Theoretische Informatik«. Berechenbarkeit, formale Sprachen, Algorithmik und Komplexitätstheorie sind theoretische Themen mit praktischer Relevanz, zu denen es ebenso praktische Zugänge gibt. In diesem Grundkurs aus der Reihe »Informatik verstehen« werden Ihnen die Konzepte der theoretischen Informatik besonders anschaulich vermittelt.Freuen Sie sich auf eine moderne Didaktik, die streng Formales mit Ihrer Intuition verknüpft, lernfreundlich ausarbeitet und schließlich zu jedem Thema Anwendungsfelder der Informatik aufzeigt. Eine Einführung mit vielen Aufgaben und Beispielen, auch zum Selbststudium geeignet.Aus dem InhaltGrundlegende mathematische NotationModelle und Grenzen der BerechenbarkeitFormale Sprachen: Endliche Automaten, kontextfreie Grammatiken, Pumping Lemmata und mehrBeweisverfahren für die Korrektheit und die Laufzeit von AlgorithmenParadigmen für den AlgorithmenentwurfAmortisierte Analyse und untere Schranken für LaufzeitenNP-Vollständigkeit und ReduktionenLeseprobe (PDF-Link)

Das umfassende Praxis-Handbuch für Data Science, Deep Learning und Predictive Analytics in 3. Auflage 03/2021.Mit diesem Buch erhalten Sie eine umfassende Einführung in die Grundlagen und den effektiven Einsatz von Machine-Learning- und Deep-Learning-Algorithmen und wenden diese anhand zahlreicher Beispiele praktisch an. Dafür setzen Sie ein breites Spektrum leistungsfähiger Python-Bibliotheken ein, insbesondere Keras, TensorFlow 2 und Scikit-learn. Auch die für die praktische Anwendung unverzichtbaren mathematischen Konzepte werden verständlich und anhand zahlreicher Diagramme anschaulich erläutert.Die dritte Auflage dieses Buchs wurde für TensorFlow 2 komplett aktualisiert und berücksichtigt die jüngsten Entwicklungen und Technologien, die für Machine Learning, Neuronale Netze und Deep Learning wichtig sind. Dazu zählen insbesondere die neuen Features der Keras-API, das Synthetisieren neuer Daten mit Generative Adversarial Networks (GANs) sowie die Entscheidungsfindung per Reinforcement Learning.Ein sicherer Umgang mit Python wird vorausgesetzt.Aus dem Inhalt:Trainieren von Lernalgorithmen und Implementierung in PythonGängige Klassifikationsalgorithmen wie Support Vector Machines (SVM), Entscheidungsbäume und Random ForestNatural Language Processing zur Klassifizierung von FilmbewertungenClusteranalyse zum Auffinden verborgener Muster und Strukturen in Ihren DatenDeep-Learning-Verfahren für die BilderkennungDatenkomprimierung durch DimensionsreduktionTraining Neuronaler Netze und GANs mit TensorFlow 2Kombination verschiedener Modelle für das Ensemble LearningEinbettung von Machine-Learning-Modellen in WebanwendungenStimmungsanalyse in Social NetworksModellierung sequenzieller Daten durch rekurrente Neuronale NetzeReinforcement Learning und Implementierung von Q-Learning-AlgorithmenInhalt & Leseprobe (PDF-Link)

Know-how für Data Scientists. Grundlagen, Architekturen und Anwendungen in 2. Auflage 02/2021Data Science steht derzeit wie kein anderer Begriff für die Auswertung großer Datenmengen mit analytischen Konzepten des Machine Learning oder der künstlichen Intelligenz. Nach der bewussten Wahrnehmung der Big Data und dabei insbesondere der Verfügbarmachung in Unternehmen sind Technologien und Methoden zur Auswertung dort gefordert, wo klassische Businss Intelligence an ihre Grenzen stößt.Dieses Buch bietet eine umfassende Einführung in Data Science und deren praktische Relevanz für Unternehmen. Dabei wird auch die Integration von Data Science in ein bereits bestehendes Business-Intelligence-Ökosystem thematisiert. In verschiedenen Beiträgen werden sowohl Aufgabenfelder und Methoden als auch Rollen- und Organisationsmodelle erläutert, die im Zusammenspiel mit Konzepten und Architekturen auf Data Science wirken.Diese 2., überarbeitete Auflage wurde um neue Themen wie Feature Selection und Deep Reinforcement Learning sowie eine neue Fallstudie erweitert.