KI-Anwendungen selbst erstellen und mit eigenen Daten nutzen - das ist möglich: mit frei verfügbarer Technologie, lokaler Hardware und sogar ohne Programmierkenntnisse. Die KI-Technologie wird in atemberaubendem Tempo immer zugänglicher. Mit diesem Buch sind Sie immer einen Schritt voraus. Lernen Sie einschlägige KI-Verfahren kennen und setzen Sie für jedes dieser Verfahren eine Anwendung selbst um. Dafür nutzen Sie die Data Science Plattform KNIME - ideal, um eigene Daten aus unterschiedlichen Quellen zu integrieren und mit rein grafischer Programmierung Anwendungen zu erstellen. Das Buch deckt eine Reihe von Themen ab, darunter: Künstliche neuronale Netze Entscheidungsbäume Bilderkennung Convolutional Neural Networks Transfer Learning Textgenerierung Unsupervised und Reinforcement Learning Transformer: ChatGPT, DALL-E und Co. Außerdem führen wir Sie in die Welt von TensorFlow und Keras ein und zeigen Ihnen, wie Sie Anwendungen in einfachem Python erstellen können. Alle vorgestellten Projekte sind in der beruflichen Bildung erprobt und haben sich als effektiv erwiesen. So bereichern Sie Ihre Skills mit einem modernen Werkzeugkasten, mit dem Sie maschinelles Lernen in der Datenanalyse, dem Controlling und vielen weiteren Anwendungsfeldern nutzen können. Alle Codebeispiele zum Download; Jupyter Notebooks erleichtern die Arbeit mit dem Material zum Buch. Starten Sie jetzt mit Ihrer eigenen KI!
Aus dem Inhalt:
- Installation und Konfiguration der Werkzeuge
- Mit verschiedenen Datenquellen arbeiten
- Visuelle Programmierung ohne Code
- Anomalieerkennung
- Convolutional Neural Networks
- Zeitreihenanalysen
- Transfer Learning
- Unsupervised Learning
- Reinforcement Learning
- Evolutionäre Algorithmen
- Texte und Bilder generieren
- ChatGPT und DALL-E
Die Fachpresse zur Vorauflage:Revisionspraxis PRev - Journal für Revision, IT-Sicherheit, SAP-Sicherheit und Datenschutz: »Eine wertvolle Ressource und Empfehlung für jeden, der die Faszination und das Potenzial künstlicher Intelligenz erkunden und eigene Projekte realisieren möchte. «LINUX MAGAZIN: »Karatas vermittelt dem Leser in einem reich bebilderten Werk eine Unmenge von Hintergrundinformationen und geht somit weit über klassische Klicktutorials hinaus. Der etwas höhere Lernaufwand wirkt ob des Erkenntnisgewinns auf jeden Fall gerechtfertigt. «
Inhaltsverzeichnis
Materialien zum Buch . . . 15
1. Einleitung . . . 17
1. 1 . . . Was bietet dieses Buch? . . . 18
1. 2 . . . Was ist eine »künstliche Intelligenz«? . . . 19
1. 3 . . . Geschichte der KI -- ein kurzer Überblick . . . 21
1. 4 . . . Verwendete Werkzeuge . . . 23
2. Installation von Anaconda . . . 29
2. 1 . . . Windows und macOS . . . 29
2. 2 . . . Linux . . . 30
2. 3 . . . Konfiguration und Test . . . 31
3. Das künstliche neuronale Netz . . . 39
3. 1 . . . Klassifizierung . . . 40
3. 2 . . . Das Kochrezept . . . 42
3. 3 . . . Aufbau künstlicher neuronaler Netze . . . 46
3. 4 . . . Aufbau eines künstlichen Neurons . . . 48
3. 5 . . . Feed Forward . . . 50
3. 6 . . . Backpropagation . . . 52
3. 7 . . . Aktualisierung der Gewichte . . . 55
3. 8 . . . KNN für Klassifizierung . . . 58
3. 9 . . . Hyperparameter und Overfitting . . . 66
3. 10 . . . Umgang mit nichtnumerischen Daten . . . 69
3. 11 . . . Umgang mit Datenlücken . . . 71
3. 12 . . . Korrelation versus Kausalität . . . 73
3. 13 . . . Normierung der Daten . . . 81
3. 14 . . . Regression . . . 84
3. 15 . . . Deployment . . . 87
3. 16 . . . Übungen . . . 93
4. Entscheidungsbäume . . . 95
4. 1 . . . Einfache Entscheidungsbäume . . . 96
4. 2 . . . Boosting . . . 108
4. 3 . . . XGBoost Regressor . . . 118
4. 4 . . . Deployment . . . 120
4. 5 . . . Übungen . . . 121
5. Faltungsschichten, Bilder und mehr . . . 123
5. 1 . . . Einfache Bildklassifizierung . . . 125
5. 2 . . . Hyperparameter-Optimierung mit Early Stopping und KerasTuner . . . 130
5. 3 . . . Convolutional Neural Network (CNN) . . . 135
5. 4 . . . Bildklassifizierung mit CIFAR-10 . . . 142
5. 5 . . . Verwendung vortrainierter Netze . . . 146
5. 6 . . . Übungen . . . 150
6. Transfer Learning . . . 151
6. 1 . . . Funktionsweise . . . 154
6. 2 . . . Übungen . . . 161
7. Anomalieerkennung . . . 163
7. 1 . . . Unausgewogene Daten . . . 164
7. 2 . . . Resampling . . . 169
7. 3 . . . Autoencoder . . . 171
7. 4 . . . Übungen . . . 178
8. Textklassifizierung . . . 179
8. 1 . . . Embedding Layer . . . 179
8. 2 . . . GlobalAveragePooling1D Layer . . . 183
8. 3 . . . Text Vectorization . . . 185
8. 4 . . . Analyse der Zusammenhänge . . . 188
8. 5 . . . Klassifizierung großer Datenmengen . . . 193
8. 6 . . . Übungen . . . 196
9. Clusteranalyse . . . 197
9. 1 . . . Grafische Analyse der Daten . . . 198
9. 2 . . . Der Algorithmus k-Means-Clustering . . . 203
9. 3 . . . Das fertige Programm . . . 206
9. 4 . . . Übungen . . . 209
10. Visuelle Programmierung mit Orange . . . 211
10. 1 . . . Installation . . . 211
10. 2 . . . Klassifizierung mit Entscheidungsbaum . . . 213
10. 3 . . . Regression mit Entscheidungsbaum . . . 220
10. 4 . . . Deployment . . . 221
10. 5 . . . Klassifizierung mit KNN . . . 223
10. 6 . . . Regression mit KNN . . . 227
10. 7 . . . Bildklassifizierung mit XGBoost . . . 229
10. 8 . . . Unüberwachte Klassifizierung von Bildern . . . 230
10. 9 . . . Textklassifizierung mit XGBoost . . . 234
10. 10 . . . Übungen . . . 236
11. Visuelle Programmierung mit KNIME . . . 239
11. 1 . . . Installation . . . 240
11. 2 . . . Einfache künstliche neuronale Netze . . . 245
11. 3 . . . XGBoost . . . 267
11. 4 . . . Bildklassifizierung mit vortrainiertem Modell . . . 271
11. 5 . . . Transfer Learning . . . 277
11. 6 . . . Autoencoder . . . 284
11. 7 . . . Textklassifizierung . . . 292
11. 8 . . . AutoML . . . 297
11. 9 . . . Clusteranalyse . . . 301
11. 10 . . . Zeitreihenanalyse . . . 306
11. 11 . . . Weitere Hinweise zu KNIME . . . 322
11. 12 . . . Übungen . . . 322
12. Reinforcement Learning . . . 325
12. 1 . . . Q-Learning . . . 327
12. 2 . . . Erforderliche Python-Kenntnisse für das Spiel . . . 332
12. 3 . . . Training . . . 337
12. 4 . . . Test . . . 340
12. 5 . . . Ausblick . . . 341
12. 6 . . . Übungen . . . 342
13. Genetische Algorithmen . . . 343
13. 1 . . . Der Algorithmus . . . 344
13. 2 . . . Beispiel einer sortierten Liste . . . 348
13. 3 . . . Beispiel für Gleichungssysteme . . . 351
13. 4 . . . Beispielanwendung aus der Praxis . . . 353
13. 5 . . . Übungen . . . 357
14. ChatGPT und Gemini . . . 359
14. 1 . . . Prompt Engineering . . . 362
14. 2 . . . Programmierschnittstelle . . . 375
14. 3 . . . Übung . . . 392
15. DALL-E und Imagen . . . 393
15. 1 . . . Bildgenerierung . . . 394
15. 2 . . . Übung 1: API mit Moderation . . . 402
16. Ausblick . . . 403
Anhang . . . 403
A . . . Lösungen . . . 405
B . . . Literaturhinweise . . . 441
Index . . . 443
