Machine Learning & KI
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
Machine Learning für Softwareentwickler
* Eine Einführung in das maschinelle Lernen für Entwickler * Alle wesentlichen Ideen, Werkzeuge und Konzepte des supervised Learning, von neuronalen Netzen und des Deep Learning werden präsentiert * Der gesamte Programmcode ist in Python geschrieben
KI-Kompass für Entscheider
So setzen Sie Künstliche Intelligenz gewinnbringend in Ihrem Unternehmen einEndlich ist die Künstliche Intelligenz reif für die Nutzung in industriellen Prozessen, Produkten und Diensten. Die Potenziale sind enorm, doch eine erfolgreiche Integration von KI-Anwendungen kann nur gelingen, wenn man das Thema zur Chefsache macht. Dieser Leitfaden wendet sich an Entscheidungsträger, die ihr Unternehmen fit für den Einsatz industrieller KI machen wollen.Folgende Themen erwarten Sie:- Kompakter Einstieg in die KI-Technik: Data Science, Machine Learning, Künstliche Neuronale Netze- Das Zusammenspiel von KI, Industrie 4.0 und IoT- KI in der Industrie: Einsatzszenarien in Produktentwicklung und Produktion sowie für produktbasierende Dienste, KI in der (Edge-)Cloud und auf dem Chip- Die Rolle der Industrieplattformen: B2B-Angebote für KI-Apps, Managed Services, Cloud Infrastructure as a Service- Fragen der Datensicherheit und EthikWertvolle Einblicke in die Strategien, Angebote und Use Cases führender Unternehmen und Forschungseinrichtungen auf dem Gebiet der industriellen KI, wie ABB, Dassault Systèmes, Siemens, it’s OWL und das Werkzeugmaschinenlabor der RWTH Aachen, runden den Inhalt ab.Systemvoraussetzungen für E-Book inside: Internet-Verbindung und Adobe-Reader oder Ebook-Reader bzw. Adobe Digital Editions Dipl.-Ing. (FH) Ulrich Sendler (www.ulrichsendler.de) ist Feinwerktechnik-Ingenieur, Werkzeugmacher und NC-Programmierer. Seit Ende der Achtzigerjahre ist er als freier Fachjournalist, Buchautor, Technologieanalyst, Redner und Moderator im Umfeld der virtuellen Produktentwicklung und Digitalisierung tätig. Er ist Gründer und Organisator des sendler\circle, einer Interessengemeinschaft der Anbieter von Software und Services für die Industrie, und betreibt ein Nachrichtenportal zu Digitalisierung, Industrie 4.0 und PLM (www.plmportal.org).
KI verändert die Spielregeln
Geschäftsmodelle, Kundenbeziehungen und Produkte neu denken.Künstliche Intelligenz (KI) ist in der Wirtschaft in aller Munde. Aber nur die wenigsten Firmen wissen, wie sie KI für den Aufbau neuer Geschäftsfelder nutzen können. Genau darum geht es in diesem Buch. Die Autoren kommen aus der Praxis und beschreiben unter anderem KI-Projekte, die sie gemeinsam mit ihren Kunden umgesetzt haben. Profitieren Sie von diesem Know-how , um mit KI erfolgreich zu sein:- grundlegendes Verständnis für die Möglichkeiten von Künstlicher Intelligenz- Vorgehensmodell für das Entwickeln von KI-Anwendungen- Folgenabschätzung für Prozesse und Geschäftsmodelle in verschiedenen Branchen durch KI- Einsatzszenarien für Prozesse von Kommunikation bis Verwaltung- Unterstützung mobiler Prozesse mithilfe von KIDas Buch enthält konkrete, realisierbare Anwendungsfälle für das verarbeitende Gewerbe und für Dienstleister. Lassen Sie sich davon inspirieren, um eigene Lösungen zu entwickeln und zu vermarkten.
Blended Learning mit Moodle
BLENDED LEARNING MIT MOODLE - Moodle-Infrastruktur aufbauen und verstehen- Moodle professionell verwalten- Kurse gestalten und in das Unterrichtsprogramm integrieren- Unterstützender Einsatz von Hot Potatoes und H5P im Präsenzunterricht- Erfolgreich und zuverlässig Prüfungen mit Moodle durchführenBei „Moodle“ bzw. „E-/Blended Learning“ geht es vor allem darum, gezielt Kurse zu entwickeln, die sich ideal in das didaktische Konzept der Lehre integrieren und diese unterstützen. Auch die Durchführung von Prüfungen und Lernzielkontrollen sowie die Abgabe von Hausaufgaben sind ein wichtiges Thema. Das Lehrpersonal und der menschliche Kontakt sollen dadurch aber nicht ersetzt werden.Vorbereitende Übungen zur Vertiefung des Stoffs sollen kurzweilig gestaltet und auch für kurze Übungssequenzen geeignet sein. Einen Einblick in externe Software, die über den SCORM-Standard (Sharable Content Object Reference Model) in Moodle integriert werden kann, gibt die Vorstellung von Hot Potatoes. In der Zukunft wird für die Unterstützung der Präsenzlehre und der Fernschulung sowie als motivierendes Recherchemedium die Integration multimedialer, interaktiver Technologien wie H5P in Moodle immer wichtiger.Blended-Learning-Technologien (hier am Beispiel des am weitesten verbreiteten LMS Moodle) sollen eine Unterstützung der Aus- und Fortbildung sein, nicht jedoch als eine disruptive Konkurrenz zu einer zwischenmenschlich geprägten Pädagogik aufgefasst werden. Dazu soll dieses Werk beitragen.AUS DEM INHALTTeil I - Allgemeine Ansätze- Potenzielle Zielgruppen- Potenzielle EinsatzbereicheTeil II – Technik- Der Moodle-Server- Moodle-Grundinstallation- Benutzerverwaltung- Rollen im Moodle-System- Bereichs- und Kursverwaltung- E-Mail-Kommunikation- DesignsTeil III - Moodle in der Praxis- Moodle im Überblick- Aktivitäten - Werkzeuge zur Kursgestaltung- Ergänzende Lernhilfen für Moodle- Fragenkataloge in Moodle- Lernzielkontrollen und Prüfungen
Algorithmen in Python
Inhalt Algorithmen gehören zum Rüstzeug guter Entwickler und Programmierer. Dieses Buch stellt Ihnen eine Vielzahl an problemlösenden Techniken für den Programmieralltag vor und zeigt, wie Sie diese Techniken in Ihre Anwendungen implementieren. Dabei lernen Sie 32 Klassiker der Informatik kennen, vom einfachen Such-Algorithmus bis zu genetischen Algorithmen und neuronalen Netzen in der KI. Randvoll mit Codebeispielen in Python sowie Profitipps für Programmierer. Selbst wenn Ihnen einiges bekannt vorkommen wird, es warten zahlreiche Aha-Erlebnisse auf Sie. Ideal für alle, die ihre ersten Schritte in der Programmierung hinter sich haben und jetzt voll durchstarten wollen! - Programmieren trainieren mit bekannten und modernen Klassikern - Von der Suche bis zu k-Means, vom Dreizeiler bis zur dynamischen Programmierung und KI - Für Studium, Coding-Katas, Workouts oder in Eigeninitiative - Titel der amerikanischen Originalausgabe: "Classic Computer Science Problems in Python"
Human Compatible
Künstliche Intelligenz und wie der Mensch die Kontrolle über superintelligente Maschinen behält »Das bedeutendste Buch über KI in diesem Jahr.«- The Guardian, 24.09.2019Werden Maschinen bald auf nahezu allen Gebieten intelligenter sein als der Mensch? Auch wenn das vielversprechend klingt, ist die Entwicklung einer Superintelligenz zugleich ein ernstzunehmendes Risiko. Denn ist diese einmal da, können wir nicht mehr einfach den Stecker ziehen. Niemand kann die Chancen und Risiken der künstlichen Intelligenz besser beurteilen als Stuart Russell, der seit mehr als einer Dekade an vorderster Front der KI-Forschung arbeitet. Er veranschaulicht mit brillanten Analogien, wie sich natürliche und künstliche Intelligenz voneinander unterscheiden, und macht deutlich, weshalb wir vermeiden müssen, dass die Maschinen für uns unkontrollierbar werden. Fundiert, eindringlich und visionär zeigt Human Compatible neue Perspektiven und Lösungswege für die KI-Forschung auf, um zu gewährleisten, dass superintelligente Maschinen unsere Ziele verfolgen und nicht ihre eigenen.
Artificial Intelligence for Business
Artificial Intelligence for Business: A Roadmap for Getting Started with AI will provide the reader with an easy to understand roadmap for how to take an organization through the adoption of AI technology. It will first help with the identification of which business problems and opportunities are right for AI and how to prioritize them to maximize the likelihood of success. Specific methodologies are introduced to help with finding critical training data within an organization and how to fill data gaps if they exist. With data in hand, a scoped prototype can be built to limit risk and provide tangible value to the organization as a whole to justify further investment. Finally, a production level AI system can be developed with best practices to ensure quality with not only the application code, but also the AI models. Finally, with this particular AI adoption journey at an end, the authors will show that there is additional value to be gained by iterating on this AI adoption lifecycle and improving other parts of the organization. JEFFREY L. COVEYDUC is Vice President and Master Inventor at IBM. His diverse background consists of positions that encompass the creation of innovative, technologically advanced global AI solutions and client adoption. JASON L. ANDERSON is a Partner and CTO with the data consultancy, Comp Three, where he established a new AI line of business. He is also a former IBM Cognitive Architect and Master Inventor. He received both BS and MS degrees in Computer Science from California Polytechnic State University, SLO. Preface ixAcknowledgments xiCHAPTER 1 INTRODUCTION 1Case Study #1: FANUC Corporation 2Case Study #2: H&R Block 4Case Study #3: BlackRock, Inc. 5How to Get Started 6The Road Ahead 10Notes 11CHAPTER 2 IDEATION 13An Artificial Intelligence Primer 13Becoming an Innovation-Focused Organization 23Idea Bank 25Business Process Mapping 27Flowcharts, SOPs, and You 28Information Flows 29Coming Up with Ideas 31Value Analysis 31Sorting and Filtering 34Ranking, Categorizing, and Classifying 35Reviewing the Idea Bank 37Brainstorming and Chance Encounters 38AI Limitations 41Pitfalls 44Action Checklist 45Notes 46CHAPTER 3 DEFINING THE PROJECT 47The What, Why, and How of a Project Plan 48The Components of a Project Plan 49Approaches to Break Down a Project 53Project Measurability 62Balanced Scorecard 63Building an AI Project Plan 64Pitfalls 66Action Checklist 69CHAPTER 4 DATA CURATION AND GOVERNANCE 71Data Collection 73Leveraging the Power of Existing Systems 81The Role of a Data Scientist 81Feedback Loops 82Making Data Accessible 84Data Governance 85Are You Data Ready? 89Pitfalls 90Action Checklist 94Notes 94CHAPTER 5 PROTOTYPING 97Is There an Existing Solution? 97Employing vs. Contracting Talent 99Scrum Overview 101User Story Prioritization 103The Development Feedback Loop 105Designing the Prototype 106Technology Selection 107Cloud APIs and Microservices 110Internal APIs 112Pitfalls 112Action Checklist 114Notes 114CHAPTER 6 PRODUCTION 117Reusing the Prototype vs. Starting from a Clean Slate 117Continuous Integration 119Automated Testing 124Ensuring a Robust AI System 128Human Intervention in AI Systems 129Ensure Prototype Technology Scales 131Cloud Deployment Paradigms 133Cloud API’s SLA 135Continuing the Feedback Loop 135Pitfalls 135Action Checklist 137Notes 137CHAPTER 7 THRIVING WITH AN AI LIFECYCLE 139Incorporate User Feedback 140AI Systems Learn 142New Technology 144Quantifying Model Performance 145Updating and Reviewing the Idea Bank 147Knowledge Base 148Building a Model Library 150Contributing to Open Source 155Data Improvements 157With Great Power Comes Responsibility 158Pitfalls 159Action Checklist 161Notes 161CHAPTER 8 CONCLUSION 163The Intelligent Business Model 164The Recap 164So What are You Waiting For? 168APPENDIX A AI EXPERTS 169AI Experts 169Chris Ackerson 169Jeff Bradford 173Nathan S. Robinson 175Evelyn Duesterwald 177Jill Nephew 179Rahul Akolkar 183Steven Flores 187APPENDIX B ROADMAP ACTION CHECKLISTS 191Step 1: Ideation 191Step 2: Defining the Project 191Step 3: Data Curation and Governance 192Step 4: Prototyping 192Step 5: Production 193Thriving with an AI Lifecycle 193APPENDIX C PITFALLS TO AVOID 195Step 1: Ideation 195Step 2: Defining the Project 196Step 3: Data Curation and Governance 199Step 4: Prototyping 203Step 5: Production 204Thriving with an AI Lifecycle 206Index 209
Routineaufgaben mit Python automatisieren (Auflg. 2)
Praktische Programmierlösungen für Einsteiger, aktualisiert auf Python 3. In komplett neuer 2. Auflage!Wenn Sie jemals Stunden damit verbracht haben, Dateien umzubenennen oder Hunderte von Tabelleneinträgen zu aktualisieren, dann wissen Sie, wie stumpfsinnig manche Tätigkeiten sein können. Wie wäre es, den Computer dazu zu bringen, diese Arbeiten zu übernehmen?In diesem Buch lernen Sie, wie Sie mit Python Aufgaben in Sekundenschnelle erledigen können, die sonst viel Zeit in Anspruch nehmen würden. Programmiererfahrung brauchen Sie dazu nicht: Wenn Sie einmal die Grundlagen gemeistert haben, werden Sie Python-Programme schreiben, die automatisch alle möglichen praktischen Aufgaben für Sie abarbeiten:eine oder eine Vielzahl von Dateien nach Texten durchsuchenDateien und Ordner erzeugen, aktualisieren, verschieben und umbenennendas Web durchsuchen und Inhalte herunterladenExcel-Dateien aktualisieren und formatierenPDF-Dateien teilen, zusammenfügen, mit Wasserzeichen versehen und verschlüsselnErinnerungsmails und Textnachrichten verschickenOnline-Formulare ausfüllenSchritt-für-Schritt-Anleitungen führen Sie durch jedes Programm und Übungsaufgaben am Ende jedes Kapitels fordern Sie dazu auf, die Programme zu verbessern und Ihre Fähigkeiten auf ähnliche Problemstellungen zu richten.Verschwenden Sie nicht Ihre Zeit mit Aufgaben, die auch ein gut dressierter Affe erledigen könnte. Bringen Sie Ihren Computer dazu, die langweilige Arbeit zu machen!
KI in der Industrie
Grundlagen, Anwendungen, PerspektivenDie Industrie ist im KI-Fieber. Doch was bedeutet KI für Industrieprozesse eigentlich, was ist schwache und starke KI, wie starten Unternehmen erste Projekte, wie kann der Unternehmer Mitarbeiter weiterbilden, wo findet er Mitstreiter, wie geht der Betrieb mit Daten um, wie sammeln die Mitarbeiter Daten, was tun sie damit, existiert eine Cloud- oder Edge-Strategie? Das Buch bietet einen Einblick, wie KI in der Industrie – mit Fokus auf Maschinenbau und Prozessindustrie – eingesetzt werden kann und was die ersten Schritte im Umgang mit Daten und deren Auswertung durch Algorithmen sind. In Kurzinterviews kommen Experten aus Themenfeldern wie Datenanalyse, IT-Security oder KI-Ethik zu Wort, anhand von Praxisbeispielen werden konkrete Anwendungsfälle erläutert.
Generatives Deep Learning
Generative Modelle haben sich zu einem der spannendsten Themenbereiche der Künstlichen Intelligenz entwickelt: Mit generativem Deep Learning ist es inzwischen möglich, einer Maschine das Malen, Schreiben oder auch das Komponieren von Musik beizubringen – kreative Fähigkeiten, die bisher dem Menschen vorbehalten waren. Mit diesem praxisnahen Buch können Data Scientists einige der eindrucksvollsten generativen Deep-Learning-Modelle nachbilden, wie z.B. Generative Adversarial Networks (GANs), Variational Autoencoder (VAEs), Encoder-Decoder- sowie World-Modelle. David Foster vermittelt zunächst die Grundlagen des Deep Learning mit Keras und veranschaulicht die Funktionsweise jeder Methode, bevor er zu einigen der modernsten Algorithmen auf diesem Gebiet vorstößt. Die zahlreichen praktischen Beispiele und Tipps helfen Ihnen herauszufinden, wie Ihre Modelle noch effizienter lernen und noch kreativer werden können. - Entdecken Sie, wie Variational Autoencoder den Gesichtsausdruck auf Fotos verändern können - Erstellen Sie praktische GAN-Beispiele von Grund auf und nutzen Sie CycleGAN zur Stilübertragung und MuseGAN zum Generieren von Musik - Verwenden Sie rekurrente generative Modelle, um Text zu erzeugen, und lernen Sie, wie Sie diese Modelle mit dem Attention-Mechanismus verbessern können - Erfahren Sie, wie generatives Deep Learning Agenten dabei unterstützen kann, Aufgaben im Rahmen des Reinforcement Learning zu erfüllen - Lernen Sie die Architektur von Transformern (BERT, GPT-2) und Bilderzeugungsmodellen wie ProGAN und StyleGAN kennen "Dieses Buch ist eine leicht zugängliche Einführung in das Deep-Learning-Toolkit für generatives Modellieren. Wenn Sie ein kreativer Praktiker sind, der es liebt, an Code zu basteln, und Deep Learning für eigene Aufgaben nutzen möchte, dann ist dieses Buch genau das Richtige für Sie." — David Ha, Research Scientist bei Google Brain
Deep Learning
Deep Learning ist die Schlüsseltechnologie des derzeitigen Booms der Künstlichen Intelligenz. Neuronale Netze können Höchstleistung erbringen, wenn sie als Deep-Learning-Netze aufgestellt sind und mit großen Datenmengen trainiert werden – und wenn Sie wissen, wie man dieses maschinelle Lernen geschickt implementiert. Mit TensorFlow und Keras stehen dafür mächtige Frameworks bereit. Lernen Sie hier, sie in realer Projektpraxis erfolgreich einzusetzen. Unsere Autoren zeigen Ihnen sowohl die Arbeit mit Python und Keras als auch für den Browser mit JavaScript, HTML5 und TensorFlow.js.
Deep Learning - Das umfassende Handbuch
Deep Learning ist ein Teilbereich des Machine Learnings und versetzt Computer in die Lage, aus Erfahrungen zu lernen. Dieses Buch behandelt umfassend alle Aspekte, die für den Einsatz und die Anwendung von Deep Learning eine Rolle spielen: In Teil I erläutern die Autoren die mathematischen Grundlagen für Künstliche Intelligenz, Neuronale Netze, Machine Learning und Deep Learning. In Teil II werden die aktuellen in der Praxis genutzten Verfahren und Algorithmen behandelt. In Teil III geben die Autoren Einblick in aktuelle Forschungsansätze und zeigen neue zukunftsweisende Verfahren auf. Dieses Buch richtet sich an Studenten und alle, die sich in der Forschung mit Deep Learning beschäftigen sowie an Softwareentwickler und Informatiker, die Deep Learning für eigene Produkte oder Plattformen einsetzen möchten. Dabei werden Grundkenntnisse in Mathematik, Informatik und Programmierung vorausgesetzt.Aus dem Inhalt:Teil I: Angewandte Mathematik und Grundlagen für das Machine Learning • Lineare Algebra • Wahrscheinlichkeits- und Informationstheorie • Bayessche Statistik • Numerische BerechnungTeil II: Deep-Learning-Verfahren • Tiefe Feedforward-Netze • Regularisierung • Optimierung beim Trainieren tiefer Modelle • Convolutional Neural Networks • Sequenzmodellierung für Rekurrente und Rekursive Netze • Praxisorientierte Methodologie • Anwendungen: Computer Vision, Spracherkennung, Verarbeitung natürlicher SpracheTeil III: Deep-Learning-Forschung • Lineare Faktorenmodelle • Autoencoder • Representation Learning • Probabilistische graphische Modelle • Monte-Carlo-Verfahren • Die Partitionsfunktion • Approximative Inferenz • Tiefe generative Modelle wie Restricted Boltzmann Machines, Deep-Belief-Netze, Gerichtete Generative Netze, Variational Autoencoder u.v.m.
Deep Learning mit R und Keras
Dieses Buch ist eine praxisorientierte Einführung und erläutert die grundlegenden Konzepte sowie den konkreten Einsatz von Deep Learning. Der Autor verzichtet dabei weitgehend auf mathematische Formeln und legt stattdessen den Fokus auf das Vermitteln der praktischen Anwendung von Machine Learning und Deep Learning. Anhand zahlreicher Beispiele erfahren Sie alles, was Sie benötigen, um Deep Learning zum Lösen konkreter Aufgabenstellungen einzusetzen. Dafür verwendet der Autor die Programmiersprache R und die Deep-Learning-Bibliothek Keras, die das beliebteste und am besten geeignete Tool für den Einstieg in Deep Learning ist. Lernen Sie alles über die iCloud und die damit verbundene Apple-ID. Das Buch besteht aus zwei Teilen: Teil I ist eine allgemeine Einführung in das Deep Learning und erläutert die grundlegenden Zusammenhänge und Begriffe sowie alle erforderlichen Konzepte, die für den Einstieg in Deep Learning und Neuronale Netze wichtig sind. In Teil II erläutert der Autor ausführlich die praktischen Anwendungen des Deep Learnings beim maschinellen Sehen (Computer Vision) und bei der Verarbeitung natürlicher Sprache. Viele der hier vorgestellten Beispiele können Ihnen später als Vorlage zum Lösen von Problemen dienen, die Ihnen in der Praxis des Deep Learnings begegnen werden. Das Buch wendet sich an Leser, die bereits Programmiererfahrung mit R haben und die ins Machine Learning und Deep Learning einsteigen möchten. Für den Einsatz von Keras werden grundlegende R-Kenntnisse vorausgesetzt. Aus dem Inhalt: - Was ist Deep Learning? - Die mathematischen Bausteine eines neuronalen Netzes - Einführung in neuronale Netze - Keras, TensorFlow, Theano und CNTK - Grundlagen des Machine Learnings - Deep Learning und maschinelles Sehen - Deep Learning, Text und sequenzielle Daten - Bewährte Verfahren des Deep Learnings - Generatives Deep Learning - Installation von Keras und der Erweiterungen unter Ubuntu - RStudio-Server auf einer EC2-GPU-Instanz betreiben
Data Science mit Python
Python ist für viele die erste Wahl für Data Science, weil eine Vielzahl von Ressourcen und Bibliotheken zum Speichern, Bearbeiten und Auswerten von Daten verfügbar ist. In diesem Buch erläutert der Autor den Einsatz der wichtigsten Tools. Für Datenanalytiker und Wissenschaftler ist dieses umfassende Handbuch von unschätzbarem Wert für jede Art von Berechnung mit Python sowie bei der Erledigung alltäglicher Aufgaben. Dazu gehören das Bearbeiten, Umwandeln und Bereinigen von Daten, die Visualisierung verschiedener Datentypen und die Nutzung von Daten zum Erstellen von Statistiken oder Machine-Learning-Modellen. Dieses Handbuch erläutert die Verwendung der folgenden Tools:• IPython und Jupyter für datenintensive Berechnungen• NumPy und Pandas zum effizienten Speichern und Bearbeiten von Daten und Datenarrays in Python• Matplotlib für vielfältige Möglichkeiten der Visualisierung von Daten• Scikit-Learn zur effizienten und sauberen Implementierung der wichtigsten und am meisten verbreiteten Algorithmen des Machine Learnings Der Autor zeigt Ihnen, wie Sie die zum Betreiben von Data Science verfügbaren Pakete nutzen, um Daten effektiv zu speichern, zu handhaben und Einblick in diese Daten zu gewinnen. Grundlegende Kenntnisse in Python werden dabei vorausgesetzt.
Machine Learning mit Python
Beschreibung Machine Learning und Predictive Analytics verändern die Arbeitsweise von Unternehmen grundlegend. Die Fähigkeit, in komplexen Daten Trends und Muster zu erkennen, ist heutzutage für den langfristigen geschäftlichen Erfolg ausschlaggebend und entwickelt sich zu einer der entscheidenden Wachstumsstrategien. Sebastian Raschka gibt Ihnen einen detaillierten Einblick in die Techniken der Predictive Analytics. Er erläutert die grundlegenden theoretischen Prinzipien des Machine Learnings und wendet sie praktisch an. Dabei konzentriert er sich insbesondere auf das Stellen und Beantworten der richtigen Fragen. Python zählt zu den führenden Programmiersprachen im Bereich Data Science und ist besonders gut dazu geeignet, grundlegende Erkenntnisse aus Ihren Daten zu gewinnen sowie ausgefeilte Algorithmen und statistische Modelle auszuarbeiten, die neue Einsichten liefern und wichtige Fragen beantworten. Der Autor erläutert in diesem Buch ein breites Spektrum leistungsfähiger Python-Bibliotheken wie scikit-learn, Theano oder Keras. Sie lernen Schritt für Schritt die Grundlagen von Python für maschinelle Lernverfahren kennen und setzen dabei eine Vielfalt von statistischen Modellen ein. Über den Autor Sebastian Raschka ist Doktorand an der Michigan State University und entwickelt neue Rechenverfahren im Bereich der Bioinformatik. Er wurde auf GitHub von Analytics Vidhya als einflussreichster Datenanalytiker eingestuft. Er verfügt über jahrelange Erfahrung in der Python-Programmierung und hat mehrere Seminare über praktische Data-Science-Anwendungen und maschinelles Lernen geleitet. Seine Erfahrungen mit Data Science, maschinellem Lernen und Python-Programmierung haben ihn dazu motiviert, dieses Buch zu schreiben, um es auch Leuten ohne Kenntnisse maschineller Lernverfahren zu ermöglichen, datengesteuerte Lösungen zu entwickeln. Außerdem hat er aktiv Beiträge zu Open-Source-Projekten geleistet und die von ihm implementierten Verfahren werden inzwischen erfolgreich in Wettbewerben eingesetzt, die maschinelles Lernen zum Thema haben, wie z.B. Kaggle. In seiner Freizeit entwickelt er Vorhersagemodelle für Sportergebnisse.