Zum Hauptinhalt springen Zur Suche springen Zur Hauptnavigation springen

Superbundle iX Special Künstliche Intelligenz (Heft + PDF + Buch)

76,70 €*

Derzeit nicht verfügbar

Mit dem Superbundle sparen Sie 14,90 Euro, über 19%.
Komplett im Set: gedrucktes Heft + digitale Ausgabe. Enthalten im Angebot ist auch das Buch "Natural Language Processing mit Transformern vom Dpunkt Verlag im Wert von 46,90 Euro.

Mit diesem iX-Sonderheft Künstliche Intelligenz wirft die Redaktion einen unvoreingenommenen und ehrlichen Blick hinter die Technik der großen KI-Modelle. Thema sind neben nach wie vor wichtigen Tools, Frameworks und Methoden natürlich auch die Rohstoffe des Machine Learnings - die Daten.

Dieses Sonderheft ist im iX-Jahresabonnement enthalten.

Highlights:

  • Was große KI-Modelle können: So funktionieren GPT-4, Bard, Stable Diffusion und Co.
  • Mit LangChain KI-Agenten bauen und eigene Daten nutzen
  • Hugging Face - die Zentrale für Open-Source-ML
  • Aktuelle GPUs im Leistungsvergleich
  • Neuronale Suche: Finden, was wirklich gemeint ist
  • Mit PyTorch und scikit-learn in die KI-Entwicklung starten
  • KI und Recht: Urheberrecht, DSGVO, Data Act und AI Ac
Produktgalerie überspringen

Auch interessant für Sie:

Machine Learning for Business Analytics
MACHINE LEARNING —ALSO KNOWN AS DATA MINING OR PREDICTIVE ANALYTICS— IS A FUNDAMENTAL PART OF DATA SCIENCE. IT IS USED BY ORGANIZATIONS IN A WIDE VARIETY OF ARENAS TO TURN RAW DATA INTO ACTIONABLE INFORMATION.Machine Learning for Business Analytics: Concepts, Techniques, and Applications in Analytic Solver Data Mining provides a comprehensive introduction and an overview of this methodology. The fourth edition of this best-selling textbook covers both statistical and machine learning algorithms for prediction, classification, visualization, dimension reduction, rule mining, recommendations, clustering, text mining, experimentation, time series forecasting and network analytics. Along with hands-on exercises and real-life case studies, it also discusses managerial and ethical issues for responsible use of machine learning techniques.This fourth edition of Machine Learning for Business Analytics also includes:* An expanded chapter focused on discussion of deep learning techniques* A new chapter on experimental feedback techniques including A/B testing, uplift modeling, and reinforcement learning* A new chapter on responsible data science* Updates and new material based on feedback from instructors teaching MBA, Masters in Business Analytics and related programs, undergraduate, diploma and executive courses, and from their students* A full chapter devoted to relevant case studies with more than a dozen cases demonstrating applications for the machine learning techniques* End-of-chapter exercises that help readers gauge and expand their comprehension and competency of the material presented* A companion website with more than two dozen data sets, and instructor materials including exercise solutions, slides, and case solutionsThis textbook is an ideal resource for upper-level undergraduate and graduate level courses in data science, predictive analytics, and business analytics. It is also an excellent reference for analysts, researchers, and data science practitioners working with quantitative data in management, finance, marketing, operations management, information systems, computer science, and information technology.GALIT SHMUELI, PHD, is Distinguished Professor and Institute Director at National Tsing Hua University’s Institute of Service Science. She has designed and instructed business analytics courses since 2004 at University of Maryland, Statistics.com, The Indian School of Business, and National Tsing Hua University, Taiwan. PETER C. BRUCE, is Founder of the Institute for Statistics Education at Statistics.com, and Chief Learning Officer at Elder Research, Inc. KUBER R. DEOKAR, is the Data Science Team Lead at UpThink Experts, India. He is also a faculty member at Statistics.com. NITIN R. PATEL, PHD, is cofounder and lead researcher at Cytel Inc. He was also a co-founder of Tata Consultancy Services. A Fellow of the American Statistical Association, Dr. Patel has served as a visiting professor at the Massachusetts Institute of Technology and at Harvard University. He is a Fellow of the Computer Society of India and was a professor at the Indian Institute of Management, Ahmedabad, for 15 years. Foreword xixPreface to the Fourth Edition xxiAcknowledgments xxvPART I PRELIMINARIESCHAPTER 1 Introduction 3CHAPTER 2 Overview of the Machine Learning Process 15PART II DATA EXPLORATION AND DIMENSION REDUCTIONCHAPTER 3 Data Visualization 59CHAPTER 4 Dimension Reduction 91PART III PERFORMANCE EVALUATIONCHAPTER 5 Evaluating Predictive Performance 115PART IV PREDICTION AND CLASSIFICATION METHODSCHAPTER 6 Multiple Linear Regression 151CHAPTER 7 k-Nearest-Neighbors (k-NN) 169CHAPTER 8 The Naive Bayes Classifier 181CHAPTER 9 Classification and Regression Trees 197CHAPTER 10 Logistic Regression 229CHAPTER 11 Neural Nets 257CHAPTER 12 Discriminant Analysis 283CHAPTER 13 Generating, Comparing, and Combining Multiple Models 303PART V INTERVENTION AND USER FEEDBACKCHAPTER 14 Experiments, Uplift Modeling, and Reinforcement Learning 319PART VI MINING RELATIONSHIPS AMONG RECORDSCHAPTER 15 Association Rules and Collaborative Filtering 341CHAPTER 16 Cluster Analysis 369PART VII FORECASTING TIME SERIESCHAPTER 17 Handling Time Series 401CHAPTER 18 Regression-Based Forecasting 415CHAPTER 19 Smoothing Methods 445PART VIII DATA ANALYTICSCHAPTER 20 Social Network Analytics 467CHAPTER 21 Text Mining 487CHAPTER 22 Responsible Data Science 507PART IX CASESCHAPTER 23 Cases 537References 575Data Files Used in the Book 577Index 579
107,99 €*
Artificial Intelligence Programming with Python
A HANDS-ON ROADMAP TO USING PYTHON FOR ARTIFICIAL INTELLIGENCE PROGRAMMINGIn Practical Artificial Intelligence Programming with Python: From Zero to Hero, veteran educator and photophysicist Dr. Perry Xiao delivers a thorough introduction to one of the most exciting areas of computer science in modern history. The book demystifies artificial intelligence and teaches readers its fundamentals from scratch in simple and plain language and with illustrative code examples. Divided into three parts, the author explains artificial intelligence generally, machine learning, and deep learning. It tackles a wide variety of useful topics, from classification and regression in machine learning to generative adversarial networks. He also includes:* Fulsome introductions to MATLAB, Python, AI, machine learning, and deep learning* Expansive discussions on supervised and unsupervised machine learning, as well as semi-supervised learning* Practical AI and Python “cheat sheet” quick referencesThis hands-on AI programming guide is perfect for anyone with a basic knowledge of programming—including familiarity with variables, arrays, loops, if-else statements, and file input and output—who seeks to understand foundational concepts in AI and AI development. PERRY XIAO, PHD, is Professor and Course Director of London South Bank University. He holds his doctorate in photophysics and is Director and co-Founder of Biox Systems Ltd., a university spin-out company that designs and manufactures the AquaFlux and Epsilon Permittivity Imaging system.Preface xxiiiPART I INTRODUCTIONCHAPTER 1 INTRODUCTION TO AI 31.1 What Is AI? 31.2 The History of AI 51.3 AI Hypes and AI Winters 91.4 The Types of AI 111.5 Edge AI and Cloud AI 121.6 Key Moments of AI 141.7 The State of AI 171.8 AI Resources 191.9 Summary 211.10 Chapter Review Questions 22CHAPTER 2 AI DEVELOPMENT TOOLS 232.1 AI Hardware Tools 232.2 AI Software Tools 242.3 Introduction to Python 272.4 Python Development Environments 302.4 Getting Started with Python 342.5 AI Datasets 452.6 Python AI Frameworks 472.7 Summary 492.8 Chapter Review Questions 50PART II MACHINE LEARNING AND DEEP LEARNINGCHAPTER 3 MACHINE LEARNING 533.1 Introduction 533.2 Supervised Learning: Classifications 55Scikit-Learn Datasets 56Support Vector Machines 56Naive Bayes 67Linear Discriminant Analysis 69Principal Component Analysis 70Decision Tree 73Random Forest 76K-Nearest Neighbors 77Neural Networks 783.3 Supervised Learning: Regressions 803.4 Unsupervised Learning 89K-means Clustering 893.5 Semi-supervised Learning 913.6 Reinforcement Learning 93Q-Learning 953.7 Ensemble Learning 1023.8 AutoML 1063.9 PyCaret 1093.10 LazyPredict 1113.11 Summary 1153.12 Chapter Review Questions 116CHAPTER 4 DEEP LEARNING 1174.1 Introduction 1174.2 Artificial Neural Networks 1204.3 Convolutional Neural Networks 1254.3.1 LeNet, AlexNet, GoogLeNet 1294.3.2 VGG, ResNet, DenseNet, MobileNet, EffecientNet, and YOLO 1404.3.3 U-Net 1524.3.4 AutoEncoder 1574.3.5 Siamese Neural Networks 1614.3.6 Capsule Networks 1634.3.7 CNN Layers Visualization 1654.4 Recurrent Neural Networks 1734.4.1 Vanilla RNNs 1754.4.2 Long-Short Term Memory 1764.4.3 Natural Language Processing and Python Natural Language Toolkit 1834.5 Transformers 1874.5.1 BERT and ALBERT 1874.5.2 GPT-3 1894.5.3 Switch Transformers 1904.6 Graph Neural Networks 1914.6.1 SuperGLUE 1924.7 Bayesian Neural Networks 1924.8 Meta Learning 1954.9 Summary 1974.10 Chapter Review Questions 197PART III AI APPLICATIONSCHAPTER 5 IMAGE CLASSIFICATION 2015.1 Introduction 2015.2 Classification with Pre-trained Models 2035.3 Classification with Custom Trained Models: Transfer Learning 2095.4 Cancer/Disease Detection 2275.4.1 Skin Cancer Image Classification 2275.4.2 Retinopathy Classification 2295.4.3 Chest X-Ray Classification 2305.4.5 Brain Tumor MRI Image Classification 2315.4.5 RSNA Intracranial Hemorrhage Detection 2315.5 Federated Learning for Image Classification 2325.6 Web-Based Image Classification 2335.6.1 Streamlit Image File Classification 2345.6.2 Streamlit Webcam Image Classification 2425.6.3 Streamlit from GitHub 2485.6.4 Streamlit Deployment 2495.7 Image Processing 2505.7.1 Image Stitching 2505.7.2 Image Inpainting 2535.7.3 Image Coloring 2555.7.4 Image Super Resolution 2565.7.5 Gabor Filter 2575.8 Summary 2625.9 Chapter Review Questions 263CHAPTER 6 FACE DETECTION AND FACE RECOGNITION 2656.1 Introduction 2656.2 Face Detection and Face Landmarks 2666.3 Face Recognition 2796.3.1 Face Recognition with Face_Recognition 2796.3.2 Face Recognition with OpenCV 2856.3.3 GUI-Based Face Recognition System 288Other GUI Development Libraries 3006.3.4 Google FaceNet 3016.4 Age, Gender, and Emotion Detection 3016.4.1 DeepFace 3026.4.2 TCS-HumAIn-2019 3056.5 Face Swap 3096.5.1 Face_Recognition and OpenCV 3106.5.2 Simple_Faceswap 3156.5.3 DeepFaceLab 3226.6 Face Detection Web Apps 3226.7 How to Defeat Face Recognition 3346.8 Summary 3356.9 Chapter Review Questions 336CHAPTER 7 OBJECT DETECTIONS AND IMAGE SEGMENTATIONS 3377.1 Introduction 337R-CNN Family 338YOLO 339SSD 3407.2 Object Detections with Pretrained Models 3417.2.1 Object Detection with OpenCV 3417.2.2 Object Detection with YOLO 3467.2.3 Object Detection with OpenCV and Deep Learning 3517.2.4 Object Detection with TensorFlow, ImageAI, Mask RNN, PixelLib, Gluon 354TensorFlow Object Detection 354ImageAI Object Detection 355MaskRCNN Object Detection 357Gluon Object Detection 3637.2.5 Object Detection with Colab OpenCV 3647.3 Object Detections with Custom Trained Models 3697.3.1 OpenCV 369Step 1 369Step 2 369Step 3 369Step 4 370Step 5 3717.3.2 YOLO 372Step 1 372Step 2 372Step 3 373Step 4 375Step 5 3757.3.3 TensorFlow, Gluon, and ImageAI 376TensorFlow 376Gluon 376ImageAI 3767.4 Object Tracking 3777.4.1 Object Size and Distance Detection 3777.4.2 Object Tracking with OpenCV 382Single Object Tracking with OpenCV 382Multiple Object Tracking with OpenCV 3847.4.2 Object Tracking with YOLOv4 and DeepSORT 3867.4.3 Object Tracking with Gluon 3897.5 Image Segmentation 3897.5.1 Image Semantic Segmentation and Image Instance Segmentation 390PexelLib 390Detectron2 394Gluon CV 3947.5.2 K-means Clustering Image Segmentation 3947.5.3 Watershed Image Segmentation 3967.6 Background Removal 4057.6.1 Background Removal with OpenCV 4057.6.2 Background Removal with PaddlePaddle 4237.6.3 Background Removal with PixelLib 4257.7 Depth Estimation 4267.7.1 Depth Estimation from a Single Image 4267.7.2 Depth Estimation from Stereo Images 4287.8 Augmented Reality 4307.9 Summary 4317.10 Chapter Review Questions 431CHAPTER 8 POSE DETECTION 4338.1 Introduction 4338.2 Hand Gesture Detection 4348.2.1 OpenCV 4348.2.2 TensorFlow.js 4528.3 Sign Language Detection 4538.4 Body Pose Detection 4548.4.1 OpenPose 4548.4.2 OpenCV 4558.4.3 Gluon 4558.4.4 PoseNet 4568.4.5 ML5JS 4578.4.6 MediaPipe 4598.5 Human Activity Recognition 461ActionAI 461Gluon Action Detection 461Accelerometer Data HAR 4618.6 Summary 4648.7 Chapter Review Questions 464CHAPTER 9 GAN AND NEURAL-STYLE TRANSFER 4659.1 Introduction 4659.2 Generative Adversarial Network 4669.2.1 CycleGAN 4679.2.2 StyleGAN 4699.2.3 Pix2Pix 4749.2.4 PULSE 4759.2.5 Image Super-Resolution 4759.2.6 2D to 3D 4789.3 Neural-Style Transfer 4799.4 Adversarial Machine Learning 4849.5 Music Generation 4869.6 Summary 4899.7 Chapter Review Questions 489CHAPTER 10 NATURAL LANGUAGE PROCESSING 49110.1 Introduction 49110.1.1 Natural Language Toolkit 49210.1.2 spaCy 49310.1.3 Gensim 49310.1.4 TextBlob 49410.2 Text Summarization 49410.3 Text Sentiment Analysis 50810.4 Text/Poem Generation 51010.5.1 Text to Speech 51510.5.2 Speech to Text 51710.6 Machine Translation 52210.7 Optical Character Recognition 52310.8 QR Code 52410.9 PDF and DOCX Files 52710.10 Chatbots and Question Answering 53010.10.1 ChatterBot 53010.10.2 Transformers 53210.10.3 J.A.R.V.I.S. 53410.10.4 Chatbot Resources and Examples 54010.11 Summary 54110.12 Chapter Review Questions 542CHAPTER 11 DATA ANALYSIS 54311.1 Introduction 54311.2 Regression 54411.2.1 Linear Regression 54511.2.2 Support Vector Regression 54711.2.3 Partial Least Squares Regression 55411.3 Time-Series Analysis 56311.3.1 Stock Price Data 56311.3.2 Stock Price Prediction 565Streamlit Stock Price Web App 56911.3.4 Seasonal Trend Analysis 57311.3.5 Sound Analysis 57611.4 Predictive Maintenance Analysis 58011.5 Anomaly Detection and Fraud Detection 58411.5.1 Numenta Anomaly Detection 58411.5.2 Textile Defect Detection 58411.5.3 Healthcare Fraud Detection 58411.5.4 Santander Customer Transaction Prediction 58411.6 COVID-19 Data Visualization and Analysis 58511.7 KerasClassifier and KerasRegressor 58811.7.1 KerasClassifier 58911.7.2 KerasRegressor 59311.8 SQL and NoSQL Databases 59911.9 Immutable Database 60811.9.1 Immudb 60811.9.2 Amazon Quantum Ledger Database 60911.10 Summary 61011.11 Chapter Review Questions 610CHAPTER 12 ADVANCED AI COMPUTING 61312.1 Introduction 61312.2 AI with Graphics Processing Unit 61412.3 AI with Tensor Processing Unit 61812.4 AI with Intelligence Processing Unit 62112.5 AI with Cloud Computing 62212.5.1 Amazon AWS 62312.5.2 Microsoft Azure 62412.5.3 Google Cloud Platform 62512.5.4 Comparison of AWS, Azure, and GCP 62512.6 Web-Based AI 62912.6.1 Django 62912.6.2 Flask 62912.6.3 Streamlit 63412.6.4 Other Libraries 63412.7 Packaging the Code 635Pyinstaller 635Nbconvert 635Py2Exe 636Py2app 636Auto-Py-To-Exe 636cx_Freeze 637Cython 638Kubernetes 639Docker 642PIP 64712.8 AI with Edge Computing 64712.8.1 Google Coral 64712.8.2 TinyML 64812.8.3 Raspberry Pi 64912.9 Create a Mobile AI App 65112.10 Quantum AI 65312.11 Summary 65712.12 Chapter Review Questions 657Index 659
25,99 €*
Maschinelles Lernen mit R
Wie bringt man Computern das Lernen aus Daten bei?Diese praxisorientierte Einführung vermittelt anhand zahlreicher Beispiele die Grundlagen des maschinellen Lernens mit R, H2O und Keras. Sie werden in die Lage versetzt, den jeweils zielführenden Ansatz auszuwählen und auf eigene Fragestellungen wie Bild-Klassifizierung oder Vorhersagen anzuwenden. Da fehlerhafte Daten den Lernerfolg gefährden können, wird der Datenvorbereitung und -analyse besondere Aufmerksamkeit gewidmet. R stellt hierfür hochentwickelte und wissenschaftlich fundierte Analyse-Bibliotheken zur Verfügung, deren Funktionsweise und Anwendung gezeigt werden. Sie erfahren, für welche Anwendungsfälle statistische Verfahren wie Regression, Klassifikation, Faktoren-, Cluster- und Zeitreihenanalyse ausreichen und wann Sie besser mit neuronalen Netzen wie z. B. CNNs oder RNNs arbeiten sollten. Hier kommen das Framework H20 sowie Keras zum Einsatz. Anhand von Beispielen wird gezeigt, wie Sie Stolpersteine beim Lernvorgang analysieren oder von vornherein vermeiden können. Darüber hinaus erfahren Sie, unter welchen Umständen Sie die Ergebnisse des maschinellen Lernens weiterverwenden können und wie Sie dabei vorgehen.Leseprobe (PDF-Link)Autor:Prof. Dr. Uli Schell lehrt seit 1997 an der Hochschule Kaiserslautern. Er ist stellvertretender Direktor des „Chinesisch-Deutschen Kollegs für Intelligente Produktion“ an der Shanghai DianJi University sowie Leiter der Technischen Akademie Südwest Kaiserslautern. Zuvor war er Software-Entwickler und Methoden-Berater bei BBC und der SAP AG.
39,99 €*
iX Miniabo Plus
iX - Das Magazin für professionelle Informationstechnik. iX hat es sich zur Aufgabe gemacht, ihre Leser durch den zunehmend verwirrenden und sich ständig verändernden IT-Dschungel zu leiten und ihnen eine Übersicht über die neuesten Entwicklungen zu verschaffen. Dabei steht unabhängiger, gründlich recherchierter und kritischer Fach- Journalismus an erster Stelle. Im Fokus jedes Artikels steht der Praxisbezug für den Leser. Tests und Erfahrungsberichte bieten eine Entscheidungshilfe für den Einsatz von Produkten und Dienstleistungen im IT-Business. iX berichtet zusätzlich über zukunftsweisende Technologien und Forschungsergebnisse. iX richtet sich an jeden professionellen IT-Anwender in Unternehmen und Institutionen. Zur Leserschaft zählen IT-Leiter, Softwareentwickler, System- und Netzwerkadministratoren, IT-Berater, Sicherheitsspezialisten sowie Mitarbeiter aus Wissenschaft und Forschung. Genießen Sie die Vorzüge eines Abonnements und sparen Sie gegenüber dem Einzelkauf.
15,50 €*
PyTorch kompakt
Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele. Sie erhalten eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Leseprobe (PDF-Link)Inhaltsverzeichnis (PDF-Link)Zielgruppe:Data ScientistsSoftwareentwickler*innenDatenanalyst*innenStudierende der Informatik Autor: Joe Papa verfügt über 25 Jahre Erfahrung in Forschung und Entwicklung und ist Gründer von TeachMe.AI. Seinen Abschluss „Master of Science in Electrical Engineering“ hat er an der Universität Rutgers erworben. Bei Booz Allen Hamilton und Perspecta Labs hat er KI-Forschungsteams mit PyTorch geleitet. Joe hat Hunderte von Datenwissenschaftlern als Mentor betreut und mehr als 6.000 Studenten auf der ganzen Welt auf Udemy unterrichtet.
29,90 €*
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.
34,90 €*

Produktinformationen "Superbundle iX Special Künstliche Intelligenz (Heft + PDF + Buch)"

Mit dem Superbundle sparen Sie 14,90 Euro.
Komplett im Set: gedrucktes Heft + digitale Ausgabe. Enthalten im Angebot ist auch das Buch "Natural Language Processing mit Transformern“ vom Dpunkt Verlag im Wert von 46,90 Euro.

►►► Zum Buch:

Natural Language Processing mit Transformern in Erstauflage aus Februar 2023

Dieses Praxisbuch zeigt Data Scientists und Programmierer*innen, wie sie NLP-Modelle mit Hugging Face Transformers, einer Python-basierten Deep-Learning-Bibliothek, trainieren und skalieren. Transformer liefern hervorragende Ergebnisse bei der maschinellen Sprachverarbeitung und haben sich in den letzten Jahren zur vorherrschenden Architektur im Natural Language Processing entwickelt.

  • Erstellen, debuggen und optimieren Sie Transformer-Modelle für zentrale NLP-Aufgaben wie Textklassifizierung, Named Entity Recognition oder Question Answering
  • Lernen Sie, wie Transformer für sprachenübergreifendes Transfer Learning verwendet werden
  • Wenden Sie Transformer auf reale Anwendungsfälle an, bei denen nur auf wenige gelabelte Daten zurückgegriffen werden kann
  • Optimieren Sie Transformer-Modelle für das Deployment mit Techniken wie Distillation, Pruning und Quantisierung
  • Trainieren Sie Transformer von Grund auf und lernen Sie, wie sie auf mehreren GPUs und verteilten Umgebungen skalieren

►►► Zum iX-Sonderheft:

Mit diesem Sonderheft Künstliche Intelligenz wirft die Redaktion einen unvoreingenommenen und ehrlichen Blick hinter die Technik der großen KI-Modelle. Thema sind neben nach wie vor wichtigen Tools, Frameworks und Methoden natürlich auch die Rohstoffe des Machine Learnings - die Daten.

Basics

KI-Modelle verschleiern ihre Funktionsweise gerne durch viele Abstraktionsschichten. Ein Blick hinter die Magie von ChatGPT und Stable Diffusion hilft, große KI-Modelle sinnvoll einzusetzen. Wir zeigen, wie spezielle KI-Hardware das Training beschleunigt, und gehen der Frage nach, wie die Qualität der Trainingsdaten die Fairness der Modelle beeinflusst. (Seite 7)

Werkzeuge

Python hat sich als die Programmiersprache der KI etabliert. Die Frameworks scikit-learn und PyTorch unterstützen Entwickler vom Einstieg bis zum professionellen Einsatz. Jupyter-Notebooks und ihre Alternativen aus der Cloud helfen beim Auswerten der Daten und beim Experimentieren mit Modellen. Aber wo kriegt man Trainingsdaten her? Wir weisen den Weg zu den wichtigsten öffentlichen Quellen. (Seite 49)

Modelle einsetzen

Für viele Einsatzzwecke gibt es bereits geeignete Modelle. Mit der Transformers-Bibliothek von Hugging Face lassen sie sich nutzen. Der neuste Trend bei Chatbots ist das Verknüpfen verschiedener Sprachmodelle. Mit dem Framework LangChain kann man KI-Agenten automatisieren und mit eigenen Daten füttern. Das Ergebnis von Dialogsystemen ist dabei vor allem von der Nutzereingabe – dem Prompt – abhängig. Geschicktes Prompting ist keine Glückssache. (Seite 85)

KI selbst entwickeln

KI-Modelle müssen nicht gleich alle Texte des Internets kennen oder Probleme wie den Klimawandel angehen können. Mit wenig Aufwand lassen sich eigene Modelle zum Experimentieren und zum Erfüllen kleiner Aufgaben erstellen. Das reicht von der neuronalen Suche in der Dokumentensammlung über das Erkennen von Emotionen in Selfies bis zum Klassifizieren der eigenen Musiksammlung mit einem KI-Modell. Wer mit Algorithmen und Modellen noch nicht so vertraut ist, lässt sich diese von AutoML-Werkzeugen vorschlagen. (Seite 105)

Recht und Gesellschaft

Beim Thema KI stehen Entwickler, Anwender und Gesetzgeber noch vor juristischen Herausforderungen. Wie und wo das Urheberrecht gilt, ist umstritten und die DSGVO ist beim Umgang mit Trainingsdaten möglicherweise ein Stolperstein. Kommende Richtlinien wie AI Act und Data Act gilt es jetzt schon mitzudenken. Dabei können KI-Governance-Frameworks Unternehmen Orientierung liefern. Zwei Interviews am Ende des Hefts ordnen den aktuellen gesellschaftlichen und technischen Stand ein und versuchen sich an einem Blick in die Zukunft. (Seite 127)

  • Basics

    • 8 Large Language Models
      Sprachmodelle verstehen und einsetzen
    • 16 Generative KI
      Stable Diffusion seziert
    • 20 KI-Beschleuniger
      So funktionieren KI-Chips
    • 28 Hardware
      GPUs für das KI-Training
    • 34 Bias und Fairness
      Warum KI oft unfair ist und was dagegen hilft
    • 40 Datenqualität
      Data-centric AI: Wie Datenqualität Fairness beeinflusst
  • Werkzeuge

    • 50 Machine-Learning-Frameworks
      Einstieg in PyTorch
    • 58 ML-UI
      Notebook-Umgebungen für Machine Learning
    • 66 Data Science
      Mit scikit-learn Modelle erstellen
    • 72 Datenquellen
      Offene Datenquellen für ML-Projekte
    • 80 Algorithmen
      Assoziationsanalyse: Wer mit wem?
  • Modelle anwenden

    • 86 KI-Modell-Datenbanken
      Hugging Face – Zentrale für KI-Modelle
    • 90 Modelle verketten
      Große Sprachmodelle mit LangChain verketten
    • 98 Knowledge Destillation
      Große KI-Modelle mit Destillation eindampfen
    • 102 Generative KI
      Das Einmaleins des Prompt Engineering
  • KI selbst entwickeln

    • 106 Dense Passage Retrieval
      Maschinen auf Text abrichten
    • 110 MLOps
      Musikklassifikation mit eigenen Modellen
    • 116 Bilderkennung
      Emotionen erkennen mit Deep Learning
    • 122 AutoML
      AutoML mit Microsofts ML.NET Model Builder
  • Recht und Gesellschaft

    • 128 Rechtsrahmen
      KI im Spannungsfeld der Regulierung
    • 132 Urheberrecht
      Kampf um das Urheberrecht
    • 140 DSGVO
      KI versus Datenschutz
    • 144 KI-Governance
      Vertrauenswürdige KI organisatorisch umsetzen
    • 148 Ausblick
      Open-Source-Modelle können aufholen
    • 150 Die Zukunft der KI – ohne Körper keine Intelligenz

Artikel-Details

Anbieter:
Heise Medien GmbH & Co. KG
Artikelnummer:
4018837072202
Veröffentlicht:
15.06.23