Eigene KI-Anwendungen programmieren

KI-Anwendungen selbst erstellen und mit eigenen Daten nutzen - mit frei verfügbarer Technologie, lokaler Hardware und ohne Programmiervorkenntnisse KI-Technologie wird in atemberaubendem Tempo immer zugänglicher. Mit diesem Buch lernen Sie einschlägige KI-Verfahren kennen und setzen für jedes dieser Verfahren eine Anwendung selbst um. Dafür nutzen Sie die Data-Science-Plattformen KNIME oder Orange - ideal, um eigene Daten aus unterschiedlichen Quellen zu integrieren und mit rein grafischer Programmierung auszuwerten. Mit Übungen und Musterlösungen zu jedem Verfahren. Autor und KI-Experte Metin Karatas führt Sie in die Welt von TensorFlow und Keras ein und zeigt 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

Metin Karatas war der erste Lehrer des neu eingerichteten Schulfaches "Künstliche Intelligenz" in Bayern und ist Mitglied der entsprechenden Lehrplankommission. Der Ingenieur der Elektro- und Informationstechnik unterrichtet außerdem Programmierung, Elektrotechnik, Projektmanagement und mehr an einer Technikerschule für berufliche Bildung. Es begeistert ihn, modernste Technologien zu erforschen und das theoretische Verständnis mit praktischer Erfahrung zu verknüpfen.

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