Machine Learning & KI
Design Patterns für Machine Learning
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.
Intelligent Connectivity
INTELLIGENT CONNECTIVITY AI, IOT, AND 5GEXPLORE THE ECONOMICS AND TECHNOLOGY OF AI, IOT, AND 5G INTEGRATION Intelligent Connectivity: AI, IoT, and 5G delivers a comprehensive technological and economic analysis of intelligent connectivity and the integration of artificial intelligence, Internet of Things (IoT), and 5G. It covers a broad range of topics, including Machine-to-Machine (M2M) architectures, edge computing, cybersecurity, privacy, risk management, IoT architectures, and more. The book offers readers robust statistical data in the form of tables, schematic diagrams, and figures that provide a clear understanding of the topic, along with real-world examples of applications and services of intelligent connectivity in different sectors of the economy. Intelligent Connectivity describes key aspects of the digital transformation coming with the 4th industrial revolution that will touch on industries as disparate as transportation, education, healthcare, logistics, entertainment, security, and manufacturing. Readers will also get access to:* A thorough introduction to technology adoption and emerging trends in technology, including business trends and disruptive new applications* Comprehensive explorations of telecommunications transformation and intelligent connectivity, including learning algorithms, machine learning, and deep learning* Practical discussions of the Internet of Things, including its potential for disruption and future trends for technological development* In-depth examinations of 5G wireless technology, including discussions of the first five generations of wireless techIdeal for telecom and information technology managers, directors, and engineers, Intelligent Connectivity: AI, IoT, and 5G is also an indispensable resource for senior undergraduate and graduate students in telecom and computer science programs. ABDULRAHMAN YARALI, PHD is Professor of Cybersecurity and Network Management at Murray State University, Kentucky, USA. He also has extensive industry experience in wireless communications, with his research teams completing contracts for AT&T, Nortel, Spring PCS, and more.PrefaceAcknowledgementIntroduction1 Technology Adoption and Emerging Trends1.1 Introduction1.2 Trends in Business technology1.3 AI-Fueled Organizations1.4 Connectivity of Tomorrow1.5 Moving Beyond Marketing1.6 Cloud Computing1.7 Cybersecurity, Privacy, and Risk Management1.8 Conclusion2 Telecommunication Transformation and Intelligent Connectivity2.1 Introduction2.2 Cybersecurity Concerns in the 5G World2.3 Positive Effects of Addressing Cybersecurity Challenges in 5G2.4 Intelligent Connectivity Use-Cases2.5 Industrial and Manufacturing Operations2.6 Healthcare2.7 Public Safety and Security2.8 Conclusion3 The Internet of Things (IoT): Potentials and the Future Trends3.1 Introduction3.2 Achieving the Future of IoT3.3 Commercial Opportunities for IoT3.4 The Industrial Internet of Things3.5 Future Impact of IoT in Our Industry3.6 Data Sharing in the IoT Environment3.7 IoT Devises Environment Operation3.8 Interoperability Issues of IoT3.9 IoT-Cloud –Application3.10 Regulation and Security Issues of IoT3.11 Achieving IoT Innovations While Tackling Security and Regulation Issues3.12 Future of IoT3.13 Conclusion4 The Wild Wonders of 5G Wireless Technology4.1 Introduction4.2 5G Architecture4.3 5G Applications4.4 5G Network Architecture4.5 Security and Issues of 5G4.6 IoT Devices in 5G Wireless4.7 Big Data Analytics in 5G4.8 AI Empowers a Wide Scope of Use Cases4.9 Conclusion5 Artificial Intelligence Technology5.1 Introduction5.2 Core Concepts of Artificial Intelligence5.3 Machine Learning and Applications5.4 Deep Learning5.5 Neural Networks Follow a Natural Model5.6 Classifications of Artificial Intelligence5.7 Trends in Artificial Intelligence5.8 Challenges of Artificial Intelligence5.9 Funding Trends in Artificial Intelligence5.10 Conclusion6 AI, 5G, & IoT: Driving Forces Towards the Industry Technology Trends6.1 Introduction6.2 Fifth Generation of Network Technology6.3 Internet of Things (IoT)6.4 Industrial Internet of Things6.5 IoT in Automotive6.6 IoT in Agriculture6.7 AI, IoT, and 5G Security6.8 Conclusion7 Intelligent Connectivity: A New Capabilities to Bring Complex Use Cases7.1 Introduction7.2 Machine-to-Machine Communication and the Internet of Things7.3 Convergence of Internet of Things, Artificial Intelligence and 5G7.4 Intelligent Connectivity Applications7.5 Challenges and Risks of Intelligent Connectivity7.6 Recommendations7.7 Conclusion8 IoT: Laws, Policies and Regulations8.1 Introduction8.2 Recently Published laws and Regulations8.3 Developing Innovation and Growing the Internet of Things (DIGIT) Act8.4 General View8.5 Relaxation of laws by the Federal Aviation Administration's (FAA)8.6 Supporting Innovation of Self Driving Cars by Allowing Policies8.7 Recommendations8.8 Conclusion9 Artificial Intelligence and Blockchain9.1 Introduction9.2 Decentralized Intelligence9.3 Applications9.4 How Artificial Intelligence and Blockchain will Affect Society9.5 How Augmented Reality Works9.6 Mixed Reality9.7 Virtual Reality9.8 Key Components in a Virtual Reality System9.9 Augmented Reality Uses9.10 Applications of Virtual Reality in Business9.11 The Future of Blockchain9.12 Blockchain Applications9.13 Blockchain and the Internet of Things9.14 Law Coordination9.15 Collaboration for Blockchain Success10 Digital Twin Technology10.1 Introduction10.2 The Timeline and History of Digital Twin Technology10.3 Technologies Employed in Digital Twin Models10.4 The Dimension of Digital Twins Models10.5 Digital Twin and Other Technologies10.6 Digital Twin Technology Implementation10.7 Benefits of Digital Twin10.8 Application of Digital Twins10.9 Challenges of Digital Twins11 Artificial Intelligence, Big Data Analytics, and IoT11.1 Introduction11.2 Analytic11.3 AI Technology in Big Data and IoT11.4 AI Technology Applications and Use Cases11.5 AI Technology Impact on the Vertical Market11.6 AI in Big Data and IoT Market Analysis and Forecasts11.7 Conclusion12 Digital Transformation Trends in the Automotive Industry12.1 Introduction12.2 Evolution of Automotive Industry12.3 Data-Driven Business Model and data monetization12.4 Services of Data-Driven Business Model12.5 Values of New Services in the New Automotive Industry12.6 Conclusion13 Wireless Sensors/IoT and Artificial Intelligence for Smart Grid and Smart Home13.1 Introduction13.2 Wireless Sensor Networks13.3 Power Grid Impact13.4 Benefits of Smart Grid13.5 Internet of Things13.6 Internet of Things on Smart Grid13.7 Smart Grid and Artificial Intelligence13.8 Smart Grid Programming13.9 Conclusion14 Artificial Intelligence, 5G and IoT: Security14.1 Introduction14.2 Understanding IoT14.3 Artificial Intelligence14.4 5G Network14.5 Emerging Partnership of Artificial Intelligence, IoT, 5G, and Cybersecurity14.6 Conclusion15 Intelligent Connectivity and Agriculture15.1 Introduction15.2 The Potential of Wireless Sensors and IoT in Agriculture15.3 IoT Sensory Technology with Traditional Farming15.4 IoT Devices and Communication Techniques15.5 IoT and all Crop Stages15.6 Drone in Farming Applications15.7 Conclusion16 Applications of Artificial Intelligence, ML, and DL16.1 Introduction16.2 Building Artificial Intelligence Capabilities16.3 What is Machine Learning?16.4 Deep Learning16.5 Machine Learning vs. Deep Learning Comparison16.6 Feature Engineering16.7 Application of Machine Learning16.8 Applications of Deep learning16.9 Future Trends17 Big Data and Artificial Intelligence: Strategies for Leading Business Transformation17.1 Introduction17.2 Big Data17.2 Machine Learning-Based Medical Systems17.3 Artificial Intelligence for Stock Market Prediction17.3.1 Application of Artificial Intelligence by Investors17.4 Trends in AI and Big Data Technologies Drive Business Innovation17.5 Driving Innovation Through Big Data17.6 The Convergence of AI and Big Data17.7 How AI and Big Data Will Combine to Create Business Innovation17.8 AI and Big Data for Technological Innovation17.9 AI and Production17.10 AI and ML Operations Research17.11 Collaboration Between Machines and Human17.12 Generative Designs17.13 Adapting to a Changing Market17.14 ConclusionIndex
Intelligent Security Systems
INTELLIGENT SECURITY SYSTEMSDRAMATICALLY IMPROVE YOUR CYBERSECURITY USING AI AND MACHINE LEARNINGIn Intelligent Security Systems, distinguished professor and computer scientist Dr. Leon Reznik delivers an expert synthesis of artificial intelligence, machine learning and data science techniques, applied to computer security to assist readers in hardening their computer systems against threats. Emphasizing practical and actionable strategies that can be immediately implemented by industry professionals and computer device’s owners, the author explains how to install and harden firewalls, intrusion detection systems, attack recognition tools, and malware protection systems. He also explains how to recognize and counter common hacking activities. This book bridges the gap between cybersecurity education and new data science programs, discussing how cutting-edge artificial intelligence and machine learning techniques can work for and against cybersecurity efforts. Intelligent Security Systems includes supplementary resources on an author-hosted website, such as classroom presentation slides, sample review, test and exam questions, and practice exercises to make the material contained practical and useful. The book also offers:* A thorough introduction to computer security, artificial intelligence, and machine learning, including basic definitions and concepts like threats, vulnerabilities, risks, attacks, protection, and tools * An exploration of firewall design and implementation, including firewall types and models, typical designs and configurations, and their limitations and problems * Discussions of intrusion detection systems (IDS), including architecture topologies, components, and operational ranges, classification approaches, and machine learning techniques in IDS design * A treatment of malware and vulnerabilities detection and protection, including malware classes, history, and development trends Perfect for undergraduate and graduate students in computer security, computer science and engineering, Intelligent Security Systems will also earn a place in the libraries of students and educators in information technology and data science, as well as professionals working in those fields. LEON REZNIK, PHD, is Professor in the Department of Computer Science at Rochester Institute of Technology, USA. He received his doctorate in Information and Measurement Systems in 1983 at the St. Petersburg State Polytechnic University. He has published four books and numerous book chapters, conference papers, and journal articles.Acknowledgments ixIntroduction xi1 COMPUTER SECURITY WITH ARTIFICIAL INTELLIGENCE, MACHINE LEARNING, AND DATA SCIENCE COMBINATION: WHAT? HOW? WHY? AND WHY NOW AND TOGETHER? 11.1 The Current Security Landscape 11.2 Computer Security Basic Concepts 71.3 Sources of Security Threats 91.4 Attacks Against IoT and Wireless Sensor Networks 131.5 Introduction into Artificial Intelligence, Machine Learning, and Data Science 181.6 Fuzzy Logic and Systems 311.7 Machine Learning 351.8 Artificial Neural Networks (ANN) 431.9 Genetic Algorithms (GA) 501.10 Hybrid Intelligent Systems 51Review Questions 52Exercises 53References 542 FIREWALL DESIGN AND IMPLEMENTATION: HOW TO CONFIGURE KNOWLEDGE FOR THE FIRST LINE OF DEFENSE? 572.1 Firewall Definition, History, and Functions: What Is It? And Where Does It Come From? 572.2 Firewall Operational Models or How Do They Work? 652.3 Basic Firewall Architectures or How Are They Built Up? 702.4 Process of Firewall Design, Implementation, and Maintenance or What Is the Right Way to Put All Things Together? 752.5 Firewall Policy Formalization with Rules or How Is the Knowledge Presented? 822.6 Firewalls Evaluation and Current Developments or How Are They Getting More and More Intelligent? 96Review Questions 104Exercises 106References 1073 INTRUSION DETECTION SYSTEMS: WHAT DO THEY DO BEYOND THE FIRST LINE OF DEFENSE? 1093.1 Definition, Goals, and Primary Functions 1093.2 IDS from a Historical Perspective 1133.3 Typical IDS Architecture Topologies, Components, and Operational Ranges 1163.4 IDS Types: Classification Approaches 1213.5 IDS Performance Evaluation 1313.6 Artificial Intelligence and Machine Learning Techniques in IDS Design 1363.7 Intrusion Detection Challenges and Their Mitigation in IDS Design and Deployment 1593.8 Intrusion Detection Tools 163Review Questions 172Exercises 174References 1754 MALWARE AND VULNERABILITIES DETECTION AND PROTECTION: WHAT ARE WE LOOKING FOR AND HOW? 1774.1 Malware Definition, History, and Trends in Development 1774.2 Malware Classification 1824.3 Spam 2144.4 Software Vulnerabilities 2164.5 Principles of Malware Detection and Anti-malware Protection 2194.6 Malware Detection Algorithms 2294.7 Anti-malware Tools 237Review Questions 240Exercises 242References 2435 HACKERS VERSUS NORMAL USERS: WHO IS OUR ENEMY AND HOW TO DIFFERENTIATE THEM FROM US? 2475.1 Hacker’s Activities and Protection Against 2475.2 Data Science Investigation of Ordinary Users’ Practice 2735.3 User’s Authentication 2885.4 User’s Anonymity, Attacks Against It, and Protection 301Review Questions 309Exercises 310References 3116 ADVERSARIAL MACHINE LEARNING: WHO IS MACHINE LEARNING WORKING FOR? 3156.1 Adversarial Machine Learning Definition 3156.2 Adversarial Attack Taxonomy 3166.3 Defense Strategies 3206.4 Investigation of the Adversarial Attacks Influence on the Classifier Performance Use Case 3226.5 Generative Adversarial Networks 327Review Questions 333Exercises 334References 335Index 337
Daten- und Prozessanalyse für Fachinformatiker*innen
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. 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 TonImport 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)
MLOps - Kernkonzepte im Überblick
ERFOLGREICHE ML-PIPELINES ENTWICKELN UND MIT MLOPS ORGANISATORISCHE HERAUSFORDERUNGEN MEISTERN * Stellt DevOps-Konzepte vor, die die speziellen Anforderungen von ML-Anwendungen berücksichtigen * Umfasst die Verwaltung, Bereitstellung, Skalierung und Überwachung von ML-Modellen im Unternehmensumfeld * Für Data Scientists und Data Engineers, die nach besseren Strategien für den produktiven Einsatz ihrer ML-Modelle suchen Viele Machine-Learning-Modelle, die in Unternehmen entwickelt werden, schaffen es aufgrund von organisatorischen und technischen Hürden nicht in den produktiven Betrieb. Dieses Buch zeigt Ihnen, wie Sie erprobte MLOps-Strategien einsetzen, um eine erfolgreiche DevOps-Umgebung für Ihre ML-Modelle aufzubauen, sie kontinuierlich zu verbessern und langfristig zu warten. Das Buch erläutert MLOps-Schlüsselkonzepte, mit denen Data Scientists und Data Engineers ihre ML-Pipelines und -Workflows optimieren können. Anhand von Fallbeispielen, die auf zahlreichen MLOps-Anwendungen auf der ganzen Welt basieren, geben neun ML-Experten wertvolle Einblicke in die fünf Schritte des Modelllebenszyklus - Build, Preproduction, Deployment, Monitoring und Governance. Sie erfahren auf diese Weise, wie robuste MLOps-Prozesse umfassend in den ML-Produktworkflow integriert werden können.
MLOps - Kernkonzepte im Überblick
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.
Think Python
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)
Künstliche Intelligenz - Wie sie funktioniert und wann sie scheitert
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.
Societal Responsibility of Artificial Intelligence
The digital world is characterized by its immediacy, its density of information and its omnipresence, in contrast to the concrete world. Significant changes will occur in our society as AI becomes integrated into many aspects of our lives.This book focuses on this vision of universalization by dealing with the development and framework of AI applicable to all. It develops a moral framework based on a neo-Darwinian approach - the concept of Ethics by Evolution - to accompany AI by observing a certain number of requirements, recommendations and rules at each stage of design, implementation and use. The societal responsibility of artificial intelligence is an essential step towards ethical, eco-responsible and trustworthy AI, aiming to protect and serve people and the common good in a beneficial way.JEROME BERANGER is a scientific expert on the ethical approach of the digital revolution and Ethics by Evolution. He is cofounder and CEO of ADELIAA and is also an associate researcher in the Inserm 1295 BIOETHICS team at the University of Toulouse III, France.
Roboter in der Bildung
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)
Sozioinformatik
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)
Machine Learning - kurz & gut (2. Auflg.)
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.
Neuronale Netze mit C# programmieren
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)
Data Science
KNOW-HOW FÜR DATA SCIENTISTS * übersichtliche und anwendungsbezogene Einführung * zahlreiche Anwendungsfälle und Praxisbeispiele aus unterschiedlichen Branchen * Potenziale, aber auch mögliche Fallstricke werden aufgezeigt Data 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 Business 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.
Machine Learning mit Python (3. Auflg.)
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)
Data Science (2. Auflg.)
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.
Hilfe, ich habe meine Privatsphäre aufgegeben!
Wie uns Spielzeug, Apps, Sprachassistenten und Smart Homes überwachen und unsere Sicherheit gefährdet.Neue Technologien sollen unser Leben komfortabler machen. Doch der Preis, den wir dafür zahlen, ist hoch. Die zunehmende Vernetzung durch Geräte, die permanent mit dem Internet verbunden sind, bringt eine Überwachung von ungeahntem Ausmaß mit sich. Das Absurde dabei ist, dass wir unsere Privatsphäre freiwillig aufgeben – und das, ohne uns der Auswirkungen in vollem Umfang bewusst zu sein.Im Kinderzimmer ermöglichen App-gesteuerte Spielzeug-Einhörner böswilligen Hackern, dem Nachwuchs Sprachnachrichten zu senden. Im Wohnzimmer lauschen mit der digitalen Sprachassistentin Alexa und ihren Pendants US-Konzerne mit und ein chinesischer Hersteller smarter Lampen speichert den Standort unseres Heims auf unsicheren Servern. Nebenbei teilen Zyklus- und Dating-Apps alle Daten, die wir ihnen anvertrauen, mit Facebook & Co.In diesem Buch zeigt Ihnen Barbara Wimmer, was Apps und vernetzte Geräte alles über Sie wissen, was mit Ihren Daten geschieht und wie Sie sich und Ihre Privatsphäre im Alltag schützen können.Wie die zunehmende Vernetzung Ihre Privatsphäre und Sicherheit gefährdet:Smart Home: Überwachung und SicherheitslückenSpielzeug mit Online-Funktionen und die Gefahren für Kind und HeimSicherheitslücken und Unfallrisiken bei Connected CarsLauschangriff der digitalen SprachassistentenDatenmissbrauch zu Werbezwecken durch Apps auf dem SmartphoneContact Tracing mit Corona-AppsGesichtserkennung und Überwachung in Smart CitysPerspektiven: Datenschutz und digitale SelbstbestimmungInhaltsverzeichnis & Leseprobe (PDF-Link)
Machine Learning für Zeitreihen
Einstieg in Regressions-, ARIMA- und Deep Learning-Verfahren mit Python.Daten über Vorgänge werden in der verarbeitenden Industrie, der Logistik oder im Finanzsektor im Sekundentakt aufgezeichnet: der Verlauf eines Aktienkurses, die Verkaufszahlen eines Produkts, die Sensordaten einer Turbine. Solche Daten informieren nicht nur über isolierte Zustände; sie sind wie Filme, die den Verlauf eines Vorgangs mit einer Serie einzelner Bilder nachzeichnen. Intelligente Algorithmen können die Muster dieser Verläufe analysieren, sie anlernen und über das Beobachtungsfenster hinaus fortschreiben: Zustände in der Zukunft werden prognostizierbar.Das Buch bietet eine leicht verständliche Einführung in die Konzepte und die Praxis der Zeitreihenanalyse. Es zeigt, wie bewährte und neuere Lernalgorithmen arbeiten und wie sie sich mit Python anlernen und produktiv einsetzen lassen.An einer Vielzahl von Anwendungsbeispielen werden die Vorbereitung der Daten, der Anlern- und Schätzprozess Schritt für Schritt erklärt.Aus dem Inhalt:- Zeitreihendaten mit pandas aufbereiten, fehlende Daten imputieren, mit Datumsangaben arbeiten- Grundprinzipien maschinellen Lernens: Konzepte und Umsetzung mit Python und Scikit-Learn- Feature-Preprocessing: Standardisierung, Dimensionsreduktion, Verarbeitung kategorialer Daten- ARIMA-Modelle zur Analyse univariater Zeitreihen: Vorbereitung, Anlernen und Prognose mit Python und Statsmodels- Komplexe Zeitreihen mit Deep-Learning-Verfahren analysieren: Rekurrente und konvolutionale Netze verstehen und mit Python und TensorFlow 2 aufbauen und anlernen- Mit Zeifenstern arbeitenVorkenntnisse in Machine-Learning-Verfahren sind nicht notwendig. Grundlegende Statistik- und Python-Kenntnisse sollten vorhanden sein.Der komplette Code im Buch sowie die Beispieldateien sind über ein GitHub-Repository verfügbar.
Wie KI unser Leben verändert
100 Fragen - 100 AntwortenSiri, Alexa oder Hey Google kennen die meisten von uns. Vom autonomen Fahren oder dass Sie Vögel mit Apps erkennen können – davon haben Sie sicher schon gehört. Aber inzwischen wird Künstliche Intelligenz in noch viel mehr Bereichen eingesetzt. Welche das sind, erfahren Sie in diesem Buch.Künstliche Intelligenz ist älter, als Sie vermuten! KI hat Vorteile, birgt aber auch Risiken – und sie ist nicht mehr wegzudenken. Deshalb sollte jeder von uns wissen, was KI für seinen Alltag, den Beruf und unser aller Zukunft bedeuten kann.Peter Seeberg hat aus unterschiedlichen Lebensbereichen die wichtigsten 100 Fragen zu KI gesammelt und beantwortet. Machen Sie sich schlau.Leseprobe (PDF-Link)
Welche KI?
Künstliche Intelligenz hat das Potenzial, viele Bereiche unseres Lebens grundlegend zu verändern. Dies betrifft unter anderem Veränderungen der Arbeitswelt, autonome Fahrzeuge oder sogar Waffen, das Gesundheitssystem, demokratische Gesellschaftsstrukturen und die gesamte Lebenswelt. Daraus erwachsen große Chancen für die Gesellschaft, aber auch große Gefahren.In der Analyse solcher Szenarien zeigt sich, dass die Auswirkungen von KI in einer ethischen Detailbetrachtung nicht ausreichend erfasst werden können. Vielmehr müssen sie aus einem umfassenden gesellschaftlichen und menschlichen Zusammenhang beurteilt werden. In diesem Buch wird daher eine Perspektive auf KI gezeigt, die ethische Detailfragen zu den Anwendungen von KI aus der größeren Perspektive philosophischer Reflexion betrachtet.Diese umfasst philosophische Überlegungen zur Auswirkung der Technik und die Betrachtung von Szenarien der Technikentwicklung. Weiterhin werden Veränderungen des Menschenbildes analysiert, die mit der Entwicklung von KI verbunden sind. Damit hängt die Frage zusammen, ob KI Bewusstsein entwickeln kann und ob einer fortgeschrittenen KI ein Rechtsstatus einer elektronischen Persönlichkeit zugeordnet werden soll.Die betrachteten Entwicklungsszenarien umfassen die Veränderung der Arbeitswelt zwischen einer Hoffnung auf eine Entlastung von monotonen und gefährlichen Tätigkeiten einerseits und der Gefahr von Massenarbeitslosigkeit andererseits. Weiterhin werden neben den bekannten Problemen des autonomen Fahrens die Auswirkungen auf Szenarien der Mobilität betrachtet. In Bezug auf den Einsatz von autonomen Waffen und auf die Steuerung der Kriegsführung durch KI wird das Szenario eines neuen Wettrüstens und einer Entgrenzung der Kriegsführung vorgestellt, das eine Ächtung dieser Techniken nahelegt.Für das Gesundheitssystem und die Altenpflege wird das Szenarium einer weiteren Entmenschlichung dieser Bereiche mit einem Konzept kontrastiert, das dem menschlichen Faktor gerade durch die Entlastung von technischen Aufgaben einen neuen Stellenwert gibt. Entsprechende Szenarien werden für die Auswirkungen von KI auf die Demokratie und die Durchdringung der Lebenswelt vorgestellt. Prof. Dr. Stefan Bauberger hat Philosophie, Theologie und Physik studiert. Er hat ein Diplom in Theologie, eine Promotion in theoretischer Physik und eine Habilitation in Philosophie erworben. Er ist an der Hochschule für Philosophie in München als Professor für Naturphilosophie und Wissenschaftstheorie tätig. Seit einigen Jahren liegt sein Schwerpunkt auf der Technikphilosophie, mit besonderer Ausrichtung auf die Künstliche Intelligenz.
PyTorch für Deep Learning
PyTorch für Deep Learning - Anwendungen für Bild-, Ton- und Textdaten entwickeln und deployenMit 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.Aus dem Inhalt:Ergründen Sie modernste Modelle für das Natural Language Processing, die mit umfangreichen Textkorpora wie dem Wikipedia-Datensatz trainiert wurdenVerwenden Sie das PyTorch-Paket torchaudio, um Audiodateien mit einem neuronalen Konvolutionsmodell zu klassifizierenLernen Sie, wie man Transfer Learning auf Bilder anwendetDebuggen Sie PyTorch-Modelle mithilfe von TensorBoard und FlammendiagrammenDeployen Sie PyTorch-Anwendungen im Produktiveinsatz in Docker-Containern und Kubernetes-Clustern, die in der Google Cloud laufenErkunden Sie PyTorch-Anwendungsfälle von führenden UnternehmenFür die deutsche Ausgabe wurde das Buch in Zusammenarbeit mit Ian Pointer von Marcus Fraaß aktualisiert und um einige Themen erweitert.Leseprobe (PDF-Link)Inhaltsverzeichnis (PDF-Link)Über den Autor:Ian Pointer ist Data Engineer. Er hat sich auf Lösungen für Fortune-100-Kunden spezialisiert, die auf Methoden des Machine Learnings (insbesondere Deep Learning) basieren. Ian arbeitet derzeit bei Lucidworks, wo er sich innovativen NLP-Anwendungen und dem Engineering widmet.
Projekt Unicorn
Mit Spannung erwarteter Folgeband zum Bestseller "Projekt Phoenix" - Roman, der "Projekt Phoenix" um die Perspektive der Entwickler ergänzt - Wall Street Journal-Bestseller in den USA - fesselnde Story über die Herausforderungen moderner Softwareentwicklung in Zeiten der digitalen Transformation 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.
GANs mit PyTorch selbst programmieren
GANs mit PyTorch selbst programmieren - Ein verständlicher Einstieg in Generative Adversarial NetworksNeues von Bestsellerautor Tariq Rashid: Eine Einführung in die innovative Deep-Learning-Technik GANsGANs sind »die coolste Idee im Deep Learning in den letzten 20 Jahren« – sagt Yann LeCun, einer der weltweit führenden Forscher auf dem Gebiet neuronaler Netze, über Generative Adversarial Networks. Bei dieser noch neuen KI-Technik treten zwei neuronale Netze gegeneinander an mit dem Ziel, realistisch wirkende Fotos, Videos oder Texte neu zu generieren. Die Netze trainieren sich gegenseitig: Auf Basis realer Daten erzeugt der Generator künstliche Inhalte, der Diskriminator weist Daten mit schlechter Qualität zurück.Mit diesem Buch können Sie selbst ganz praktisch ausprobieren, wie GANs funktionieren. Wie in seinem Bestseller Neuronale Netze selbst programmieren, auf den dieses Buch aufbaut, erläutert Tariq Rashid jede Technik Schritt für Schritt mit vielen anschaulichen Abbildungen. Sie erfahren, wie Sie mit dem populären Framework PyTorch Ihre eigenen GANs erstellen und trainieren:Sie lernen die Grundlagen von PyTorch und programmieren damit Ihr erstes neuronales Netz auf Google ColabSie starten dann mit einem einfachen GAN, um einen typischen Workflow einzurichten, und üben erste Techniken anhand der MNIST-Datenbank mit handgeschriebenen ZahlenMit diesem Wissen programmieren Sie ein GAN, das realistische menschliche Gesichter erzeugen kannSie finden heraus, wo das GAN versagt, schaffen Abhilfe und verbessern die Leistung und Stabilität Ihres ModellsAbschließend erkunden Sie auch anspruchsvollere Themen wie Convolutional und Conditional GANsLeseprobe (PDF-Link)Inhaltsverzeichnis (PDF-Link) Tariq Rashids besondere Fähigkeit, komplexe Ideen verständlich zu erklären, macht diese schwierige Materie für jeden Interessierten zugänglich und praktisch nachvollziehbar.
Artificial Intelligent Techniques for Electric and Hybrid Electric Vehicles
ELECTRIC VEHICLES ARE CHANGING TRANSPORTATION DRAMATICALLY AND THIS UNIQUE BOOK MERGES THE MANY DISCIPLINES THAT CONTRIBUTE RESEARCH TO MAKE EV POSSIBLE, SO THE READER IS INFORMED ABOUT ALL THE UNDERLYING SCIENCE AND TECHNOLOGIES DRIVING THE CHANGE.An emission-free mobility system is the only way to save the world from the greenhouse effect and other ecological issues. This belief has led to a tremendous growth in the demand for electric vehicles (EV) and hybrid electric vehicles (HEV), which are predicted to have a promising future based on the goals fixed by the European Commission's Horizon 2020 program.This book brings together the research that has been carried out in the EV/HEV sector and the leading role of advanced optimization techniques with artificial intelligence (AI). This is achieved by compiling the findings of various studies in the electrical, electronics, computer, and mechanical domains for the EV/HEV system. In addition to acting as a hub for information on these research findings, the book also addresses the challenges in the EV/HEV sector and provides proven solutions that involve the most promising AI techniques. Since the commercialization of EVs/HEVs still remains a challenge in industries in terms of performance and cost, these are the two tradeoffs which need to be researched in order to arrive at an optimal solution. Therefore, this book focuses on the convergence of various technologies involved in EVs/HEVs. Since all countries will gradually shift from conventional internal combustion (IC) engine-based vehicles to EVs/HEVs in the near future, it also serves as a useful reliable resource for multidisciplinary researchers and industry teams.CHITRA A. received her PhD from Pondicherry University and is now an associate professor in the School of Electrical Engineering, at Vellore Institute of Technology, Vellore, India. She has published many papers in SCI journals and her research areas include PV-based systems, neural networks, induction motor drives, reliability analysis of multilevel inverters, and electrical vehicles. SANJEEVIKUMAR PADMANABAN obtained his PhD from the University of Bologna, Italy, in 2012, and since 2018, he has been a faculty member in the Department of Energy Technology, Aalborg University, Esbjerg, Denmark. He has authored more than 300 scientific papers. JENS BO HOLM-NIELSEN currently works at the Department of Energy Technology, Aalborg University and is Head of the Esbjerg Energy Section. He has executed many large-scale European Union and United Nations projects in research aspects of bioenergy, biorefinery processes, the full chain of biogas and green engineering. He has authored more than 100 scientific papers. S. HIMAVATHI received her PhD degree in the area of fuzzy modelling from Anna University, Chennai, India in 2003. Currently, she is a professor in the Department of Electrical and Electronics Engineering, Pondicherry Engineering College, Pondicherry, India. Preface xiii1 IOT-BASED BATTERY MANAGEMENT SYSTEM FOR HYBRID ELECTRIC VEHICLE 1P. Sivaraman and C. Sharmeela1.1 Introduction 11.2 Battery Configurations 31.3 Types of Batteries for HEV and EV 51.4 Functional Blocks of BMS 61.4.1 Components of BMS System 71.5 IoT-Based Battery Monitoring System 11References 142 A NOBLE CONTROL APPROACH FOR BRUSHLESS DIRECT CURRENT MOTOR DRIVE USING ARTIFICIAL INTELLIGENCE FOR OPTIMUM OPERATION OF THE ELECTRIC VEHICLE 17Upama Das, Pabitra Kumar Biswas and Chiranjit Sain2.1 Introduction 182.2 Introduction of Electric Vehicle 192.2.1 Historical Background of Electric Vehicle 192.2.2 Advantages of Electric Vehicle 202.2.2.1 Environmental 202.2.2.2 Mechanical 202.2.2.3 Energy Efficiency 202.2.2.4 Cost of Charging Electric Vehicles 212.2.2.5 The Grid Stabilization 212.2.2.6 Range 212.2.2.7 Heating of EVs 222.2.3 Artificial Intelligence 222.2.4 Basics of Artificial Intelligence 232.2.5 Advantages of Artificial Intelligence in Electric Vehicle 242.3 Brushless DC Motor 242.4 Mathematical Representation Brushless DC Motor 252.5 Closed-Loop Model of BLDC Motor Drive 302.5.1 P-I Controller & I-P Controller 312.6 PID Controller 322.7 Fuzzy Control 332.8 Auto-Tuning Type Fuzzy PID Controller 342.9 Genetic Algorithm 352.10 Artificial Neural Network-Based Controller 362.11 BLDC Motor Speed Controller With ANN-Based PID Controller 372.11.1 PID Controller-Based on Neuro Action 382.11.2 ANN-Based on PID Controller 382.12 Analysis of Different Speed Controllers 392.13 Conclusion 41References 423 OPTIMIZATION TECHNIQUES USED IN ACTIVE MAGNETIC BEARING SYSTEM FOR ELECTRIC VEHICLES 49Suraj Gupta, Pabitra Kumar Biswas, Sukanta Debnath and Jonathan Laldingliana3.1 Introduction 503.2 Basic Components of an Active Magnetic Bearing (AMB) 543.2.1 Electromagnet Actuator 543.2.2 Rotor 543.2.3 Controller 553.2.3.1 Position Controller 563.2.3.2 Current Controller 563.2.4 Sensors 563.2.4.1 Position Sensor 563.2.4.2 Current Sensor 573.2.5 Power Amplifier 573.3 Active Magnetic Bearing in Electric Vehicles System 583.4 Control Strategies of Active Magnetic Bearing for Electric Vehicles System 593.4.1 Fuzzy Logic Controller (FLC) 593.4.1.1 Designing of Fuzzy Logic Controller (FLC) Using MATLAB 603.4.2 Artificial Neural Network (ANN) 633.4.2.1 Artificial Neural Network Using MATLAB 633.4.3 Particle Swarm Optimization (PSO) 673.4.4 Particle Swarm Optimization (PSO) Algorithm 683.4.4.1 Implementation of Particle Swarm Optimization for Electric Vehicles System 703.5 Conclusion 71References 724 SMALL-SIGNAL MODELLING ANALYSIS OF THREE-PHASE POWER CONVERTERS FOR EV APPLICATIONS 77Mohamed G. Hussien, Sanjeevikumar Padmanaban, Abd El-Wahab Hassan and Jens Bo Holm-Nielsen4.1 Introduction 774.2 Overall System Modelling 794.2.1 PMSM Dynamic Model 794.2.2 VSI-Fed SPMSM Mathematical Model 804.3 Mathematical Analysis and Derivation of the Small-Signal Model 864.3.1 The Small-Signal Model of the System 864.3.2 Small-Signal Model Transfer Functions 874.3.3 Bode Diagram Verification 964.4 Conclusion 100References 1005 ENERGY MANAGEMENT OF HYBRID ENERGY STORAGE SYSTEM IN PHEV WITH VARIOUS DRIVING MODE 103S. Arun Mozhi, S. Charles Raja, M. Saravanan and J. Jeslin Drusila Nesamalar5.1 Introduction 1045.1.1 Architecture of PHEV 1045.1.2 Energy Storage System 1055.2 Problem Description and Formulation 1065.2.1 Problem Description 1065.2.2 Objective 1065.2.3 Problem Formulation 1065.3 Modeling of HESS 1075.4 Results and Discussion 1085.4.1 Case 1: Gradual Acceleration of Vehicle 1085.4.2 Case 2: Gradual Deceleration of Vehicle 1095.4.3 Case 3: Unsystematic Acceleration and Deceleration of Vehicle 1105.5 Conclusion 111References 1126 RELIABILITY APPROACH FOR THE POWER SEMICONDUCTOR DEVICES IN EV APPLICATIONS 115Krishnachaitanya, D., Chitra, A. and Biswas, S.S.6.1 Introduction 1156.2 Conventional Methods for Prediction of Reliability for Power Converters 1166.3 Calculation Process of the Electronic Component 1186.4 Reliability Prediction for MOSFETs 1196.5 Example: Reliability Prediction for Power Semiconductor Device 1216.6 Example: Reliability Prediction for Resistor 1226.7 Conclusions 123References 1237 MODELING, SIMULATION AND ANALYSIS OF DRIVE CYCLES FOR PMSM-BASED HEV WITH OPTIMAL BATTERY TYPE 125Chitra, A., Srivastava, Shivam, Gupta, Anish, Sinha, Rishu, Biswas, S.S. and Vanishree, J.7.1 Introduction 1267.2 Modeling of Hybrid Electric Vehicle 1277.2.1 Architectures Available for HEV 1287.3 Series—Parallel Hybrid Architecture 1297.4 Analysis With Different Drive Cycles 1297.4.1 Acceleration Drive Cycle 1307.4.1.1 For 30% State of Charge 1307.4.1.2 For 60% State of Charge 1317.4.1.3 For 90% State of Charge 1317.5 Cruising Drive Cycle 1327.6 Deceleration Drive Cycle 1327.6.1 For 30% State of Charge 1347.6.2 For 60% State of Charge 1367.6.3 For 90% State of Charge 1377.7 Analysis of Battery Types 1397.8 Conclusion 140References 1418 MODIFIED FIREFLY-BASED MAXIMUM POWER POINT TRACKING ALGORITHM FOR PV SYSTEMS UNDER PARTIAL SHADING CONDITIONS 143Chitra, A., Yogitha, G., Karthik Sivaramakrishnan, Razia Sultana, W. and Sanjeevikumar, P.8.1 Introduction 1438.2 System Block Diagram Specifications 1468.3 Photovoltaic System Modeling 1488.4 Boost Converter Design 1508.5 Incremental Conductance Algorithm 1528.6 Under Partial Shading Conditions 1538.7 Firefly Algorithm 1548.8 Implementation Procedure 1568.9 Modified Firefly Logic 1578.10 Results and Discussions 1598.11 Conclusion 162References 1629 INDUCTION MOTOR CONTROL SCHEMES FOR HYBRID ELECTRIC VEHICLES/ELECTRIC VEHICLES 165Sarin, M.V., Chitra, A., Sanjeevikumar, P. and Venkadesan, A.9.1 Introduction 1669.2 Control Schemes of IM 1679.2.1 Scalar Control 1679.3 Vector Control 1689.4 Modeling of Induction Machine 1699.5 Controller Design 1749.6 Simulations and Results 1759.7 Conclusions 176References 17710 INTELLIGENT HYBRID BATTERY MANAGEMENT SYSTEM FOR ELECTRIC VEHICLE 179Rajalakshmi, M. and Razia Sultana, W.10.1 Introduction 17910.2 Energy Storage System (ESS) 18110.2.1 Lithium-Ion Batteries 18310.2.1.1 Lithium Battery Challenges 18310.2.2 Lithium–Ion Cell Modeling 18410.2.3 Nickel-Metal Hydride Batteries 18610.2.4 Lead-Acid Batteries 18710.2.5 Ultracapacitors (UC) 18710.2.5.1 Ultracapacitor Equivalent Circuit 18710.2.6 Other Battery Technologies 18910.3 Battery Management System 19010.3.1 Need for BMS 19110.3.2 BMS Components 19210.3.3 BMS Architecture/Topology 19310.3.4 SOC/SOH Determination 19310.3.5 Cell Balancing Algorithms 19710.3.6 Data Communication 19710.3.7 The Logic and Safety Control 19810.3.7.1 Power Up/Down Control 19810.3.7.2 Charging and Discharging Control 19910.4 Intelligent Battery Management System 19910.4.1 Rule-Based Control 20110.4.2 Optimization-Based Control 20110.4.3 AI-Based Control 20210.4.4 Traffic (Look Ahead Method)-Based Control 20310.5 Conclusion 203References 20311 A COMPREHENSIVE STUDY ON VARIOUS TOPOLOGIES OF PERMANENT MAGNET MOTOR DRIVES FOR ELECTRIC VEHICLES APPLICATION 207Chiranjit Sain, Atanu Banerjee and Pabitra Kumar Biswas11.1 Introduction 20811.2 Proposed Design Considerations of PMSM for Electric Vehicle 20911.3 Impact of Digital Controllers 21111.3.1 DSP-Based Digital Controller 21211.3.2 FPGA-Based Digital Controller 21211.4 Electric Vehicles Smart Infrastructure 21211.5 Conclusion 214References 21512 A NEW APPROACH FOR FLUX COMPUTATION USING INTELLIGENT TECHNIQUE FOR DIRECT FLUX ORIENTED CONTROL OF ASYNCHRONOUS MOTOR 219A. Venkadesan, K. Sedhuraman, S. Himavathi and A. Chitra12.1 Introduction 22012.2 Direct Field-Oriented Control of IM Drive 22112.3 Conventional Flux Estimator 22212.4 Rotor Flux Estimator Using CFBP-NN 22312.5 Comparison of Proposed CFBP-NN With Existing CFBP-NN for Flux Estimation 22412.6 Performance Study of Proposed CFBP-NN Using MATLAB/SIMULINK 22512.7 Practical Implementation Aspects of CFBP-NN-Based Flux Estimator 22912.8 Conclusion 231References 23113 A REVIEW ON ISOLATED DC–DC CONVERTERS USED IN RENEWABLE POWER GENERATION APPLICATIONS 233Ingilala Jagadeesh and V. Indragandhi13.1 Introduction 23313.2 Isolated DC–DC Converter for Electric Vehicle Applications 23413.3 Three-Phase DC–DC Converter 23813.4 Conclusion 238References 23914 BASICS OF VECTOR CONTROL OF ASYNCHRONOUS INDUCTION MOTOR AND INTRODUCTION TO FUZZY CONTROLLER 241S.S. Biswas14.1 Introduction 24114.2 Dynamics of Separately Excited DC Machine 24314.3 Clarke and Park Transforms 24414.4 Model Explanation 25114.5 Motor Parameters 25214.6 PI Regulators Tuning 25414.7 Future Scope to Include Fuzzy Control in Place of PI Controller 25614.8 Conclusion 257References 258Index 259