iX Developer Machine Learning
- Neuronale Netze in Theorie und Praxis
- Blick in die Blackbox
- Rechtsfragen bei Künstlicher Intelligenz
- Programmiersprachen: Python, Scala, C++
Überblick
Nach der Entscheidung für den Einsatz von Machine Learning fängt die Suche nach den passenden Methoden an. Spezielle Hardware beschleunigt schließlich die Arbeit und ermöglicht viele Anwendungen Überhaupt erst. ab Seite 7
Praxis
Inzwischen ist KI gereift genug für Erfahrungsberichte aus allgemeinen Bereichen wie Bild- und Textanalyse und dem Verarbeiten natürlicher Sprache, aber auch aus speziellen Anwendungsfeldern wie dem Erkennen relevanter Inhalte. ab Seite 77
Frameworks
DDie Werkzeugkiste für Machine-Learning-Anwendungen besteht zum Großteil aus gut gepflegten, kostenlosen Open-Source-Tools. Neben dem Platzhirsch TensorFlow rückt vor allem Keras immer mehr in den Fokus. Wer es hardwarenah mag, kann auf cuDNN setzen. ab Seite 51
Frameworks
DDie Werkzeugkiste für Machine-Learning-Anwendungen besteht zum Großteil aus gut gepflegten, kostenlosen Open-Source-Tools. Neben dem Platzhirsch TensorFlow rückt vor allem Keras immer mehr in den Fokus. Wer es hardwarenah mag, kann auf cuDNN setzen. ab Seite 51
Ethik und Recht
Der Einsatz von Machine Learning wirft auch juristische und ethische Fragen: Was ist machbar und was nur Hype? Wer haftet für Schäden? Wie können Forscher verantwortungsvoll mit KI umgehen? Und wie nehmen Menschen Maschinen mit künstlicher Intelligenz wahr? ab Seite 137
-
Überblick
- 8 Grundlagen und Methoden: Einführung in die Künstliche Intelligenz
- 16 Neuronale Netze und Deep Neural Networks: Das Gehirn des Rechners
- 21 Historie: Eine kurze Geschichte des Deep Learning und der KI
- 24 Blick in die Blackbox: Erklärbarkeit von Machine-Learning-Modellen
- 32 Hardware: GPUs und spezielle CPUs für Machine Learning
- 38 Hardware pusht KI
- 44 Neuromorphe Chips für neuronale Netze
Frameworks
- 52 Unter der Lupe: TensorFlow, Keras, Microsoft, Cognitive Toolkit, Torch, PyTorch, Caffe/Caffe2 und Theano
- 58 Eine Einführung in TensorFlow
- 64 Einführung in das Deep-Learning-Framework Keras
- 68 Deep-Learning-Modelle: Modelle deployen mit TensorFlow Serving
- 72 CUDA: cuDNN schafft die Grundlage für Deep Learning mit GPUs
Praxis
- 78 Bildanalyse: Deep Learning zur Bilderkennung – eine HPC-Perspektive
- 86 Textanalyse: Mit Machine Learning große Textmengen analysieren
- 94 Named Entity Recognition: Deep Learning für die Datenextraktion
- 100 Natural Language Processing: NLP mit Python und TensorFlow
Infrastruktur
- 108 Cloud-Vergleich: Die wichtigtsen Machine-Learning-as-a-Service-Angebote
- 118 Programmiersprachen: Machine Learning mit Python
- 123 Programmiersprachen: Machine Learning mit C++
- 126 Programmiersprachen: Machine Learning mit Scala
- 132 Big-Data-Framework: Ziffernerkennung mit Apache Spark
Ethik und Recht
- 138 Status quo: Künstliche Intelligenz – zwischen Hype und Realität
- 142 Artificial Ethics: Ethische Aspekte und Responsible Research
- 148 Haftung: Rechtsfragen der künstlichen Intelligenz
Sonstiges
- 3 Editorial
- 147 Inserentenverzeichnis
- 147 Impressum
- 154 Glossar