Description
Die codegestützte Einführung ins Machine Learning
In Zeiten von Claude, Gemini, ChatGPT und Co. ist längst bekannt: KI ist nicht gleich KI. In diesem Buch lernen Sie die zentralen lernenden Algorithmen kennen, die Sie für Ausbildung und Beruf benötigen. Von K-Nearest Neighbours bis Reinforcement Learning zeigt Ihnen Jens Gaulke, wie Sie jeden dieser Algorithmen in Python von Grund auf implementieren. Mit vielen Übungen und Best Practices bleibt es praxisnah und codeorientiert: Denn wer KI verstehen will, muss sie selbst konstruieren.
- Grundlegende KI-Algorithmen verstehen und in Python implementieren
- Anwendungsfelder, Stolperfallen und Best Practices für jedes Verfahren
- Inklusive Übungen zu den Grenzen der Algorithmen
Aus dem Inhalt:
- Das richtige Software-Setup
- Mathematische Grundlagen
- K-Nearest Neighbours
- Naive Bayes
- Lineare und logistische Regression
- K-Means Clustering
- Entscheidungsbäume
- Support-Vector-Maschinen
- Neuronale Netze
- Verstärkendes Lernen
- KI und Ethik
Materialien zum Buch ... 21
Danksagung ... 23
1. Einleitung ... 25
1.1 ... Voraussetzungen und Haltung ... 26
1.2 ... Für wen ist dieses Buch geeignet? ... 27
1.3 ... Warum Python? ... 28
1.4 ... Wie wir in diesem Buch lernen ... 28
1.5 ... Mathematik ohne Angst ... 30
1.6 ... Machine Learning im Kontext von Data Science ... 31
1.7 ... Wie Sie mit diesem Buch arbeiten ... 32
1.8 ... Die Landschaft des Machine Learnings ... 33
1.9 ... Verstehen heißt Verantwortung übernehmen ... 36
2. Das Starter-Kit für KI-Algorithmen ... 37
2.1 ... Anaconda-Distribution ... 37
2.2 ... Arbeiten mit Jupyter Notebook ... 40
2.3 ... Module und Bibliotheken ... 41
2.4 ... Virtuelle Umgebungen ... 43
2.5 ... Exkurs: Bibliotheken reproduzierbar verwalten ... 44
2.6 ... Visual Studio Code ... 45
2.7 ... Testlauf ... 48
2.8 ... Von der Werkstatt zur Idee ... 51
3. Mathematik für KI-Algorithmen ... 53
3.1 ... Lineare Algebra und KI ... 55
3.2 ... Statistik und Datenverständnis ... 66
3.3 ... Wahrscheinlichkeit und Bayes-Theorem ... 81
3.4 ... Optimierung und Ableitungen ... 92
3.5 ... Generalisierung und das Bias-Varianz-Dilemma ... 102
3.6 ... Weiterführende Literatur ... 107
4. Data Science und KI-Algorithmen ... 109
4.1 ... Was ist Data Science? ... 110
4.2 ... Die Data-Science-Pipeline ... 110
4.3 ... Understand the Business ... 111
4.4 ... Data Acquisition ... 112
4.5 ... Einschub: Datenqualität ... 113
4.6 ... Data Cleaning ... 113
4.7 ... Exploratory Data Analysis ... 121
4.8 ... Feature Engineering ... 128
4.9 ... Machine Learning ... 130
4.10 ... Data Visualization ... 133
4.11 ... Weiterführende Literatur ... 134
5. Evaluationsmetriken ... 137
5.1 ... Metriken: Das Maß des Lernens ... 137
5.2 ... Von der Theorie zur Praxis ... 140
5.3 ... Unser Datensatz ... 141
5.4 ... Regression ... 143
5.5 ... Klassifikation ... 150
5.6 ... Clustering ... 162
5.7 ... Problemtyp und geeignete Evaluationsmetriken ... 172
5.8 ... Ausbl Jens Gaulke ist Diplominformatiker, der nach 14 Jahren Lehrtätigkeit nun seit 12 Jahren im Bereich Informationssicherheit arbeitet. Er unterrichtete am bib International College in Paderborn Programmierung, Game Development, Skriptsprachen, Netzwerke, Datenbanken, Betriebssysteme, IT-Sicherheit und Software Engineering. Diese breite Lehrerfahrung prägt seinen Schreibstil: technisch präzise, aber immer mit dem Leser im Blick. Heute arbeitet Jens Gaulke im Bereich Informationssicherheit bei Arvato Systems. Seine Schwerpunkte liegen auf ISMS, BCM, ISO-Normen, Cloud Computing und Künstlicher Intelligenz. Als Schulungsverantwortlicher für Security Awareness weiß er, wie man komplexe Themen verständlich vermittelt. In seiner Freizeit fotografiert er, wird von zwei Katzen regiert und schreibt. Seine Themen sind so vielfältig wie sein Werdegang: Spieleprogrammierung, maschinelles Lernen, Kryptographie und allgemeine Informatik. Hauptsache Python, Hauptsache praxisnah.
