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
• Mit verschiedenen Datenquellen arbeiten
• Bilderkennung
• Klassifizierungsaufgaben
• Convolutional Neural Networks
• Transfer Learning
• Zeitreihenanalysen
• Texte generieren
• Unsupervised Learning
• Reinforcement Learning
• Datenanalyse mit KNIME
• Evolutionäre Algorithmen

• ChatGPT und DALL-E

  Projekte in einfachem Python ohne Vorkenntnisse einsteigen

  Inhalt

  Materialien zum Buch ... 13
  

  1. Einleitung ... 15

  1.1 ... Was bietet dieses Buch? ... 16
  1.2 ... Was ist eine »künstliche Intelligenz«? ... 17
  1.3 ... Geschichte der KI -- ein kurzer Überblick ... 19
  1.4 ... Verwendete Werkzeuge ... 21

  2. Installation ... 27

  2.1 ... Anaconda-Distribution ... 27
  2.2 ... KNIME ... 33

  3. Das künstliche neuronale Netz ... 43

  3.1 ... Klassifizierung ... 44
  3.2 ... Das Kochrezept ... 46
  3.3 ... Aufbau künstlicher neuronaler Netze ... 50
  3.4 ... Aufbau eines künstlichen Neurons ... 52
  3.5 ... Feed Forward ... 53
  3.6 ... Backpropagation ... 56
  3.7 ... Aktualisierung der Gewichte ... 58
  3.8 ... KNN für Klassifizierung ... 61
  3.9 ... Hyperparameter und Overfitting ... 69
  3.10 ... Umgang mit nichtnumerischen Daten ... 71
  3.11 ... Umgang mit Datenlücken ... 73
  3.12 ... Korrelation versus Kausalität ... 75
  3.13 ... Normierung der Daten ... 84
  3.14 ... Regression ... 87
  3.15 ... Deployment ... 89
  3.16 ... Übungen ... 95

  4. Entscheidungsbäume ... 99

  4.1 ... Einfache Entscheidungsbäume ... 100
  4.2 ... Boosting ... 112
  4.3 ... XGBoost Regressor ... 122
  4.4 ... Deployment ... 123
  4.5 ... Entscheidungsbäume mit Orange ... 125
  4.6 ... Übungen ... 129

  5. Faltungsschichten, Bilder und mehr ... 131

  5.1 ... Einfache Bildklassifizierung ... 133
  5.2 ... Hyperparameter-Optimierung mit Early Stopping und KerasTuner ... 138
  5.3 ... Convolutional Neural Network (CNN) ... 143
  5.4 ... Bildklassifizierung mit CIFAR-10 ... 150
  5.5 ... Verwendung vortrainierter Netze ... 153
  5.6 ... Übungen ... 157

  6. Transfer Learning ... 159

  6.1 ... Funktionsweise ... 162
  6.2 ... Übungen ... 169

  7. Anomalieerkennung ... 171

  7.1 ... Unausgewogene Daten ... 172
  7.2 ... Resampling ... 177
  7.3 ... Autoencoder ... 179
  7.4 ... Übungen ... 186

  8. Textklassifizierung ... 187

  8.1 ... Embedding Layer ... 187
  8.2 ... GlobalAveragePooling1D Layer ... 191
  8.3 ... Text Vectorization ... 193
  8.4 ... Analyse der Zusammenhänge ... 196
  8.5 ... Klassifizierung großer Datenmengen ... 201
  8.6 ... Übungen ... 204

  9. Clusteranalyse ... 205

  9.1 ... Grafische Analyse der Daten ... 206
  9.2 ... Der Algorithmus k-Means-Clustering ... 211
  9.3 ... Das fertige Programm ... 214
  9.4 ... Übungen ... 217

  10. AutoKeras ... 219

  10.1 ... Klassifizierung ... 220
  10.2 ... Regression ... 222
  10.3 ... Bildklassifizierung ... 223
  10.4 ... Textklassifizierung ... 226
  10.5 ... Übungen ... 229

  11. Visuelle Programmierung mit KNIME ... 231

  11.1 ... Einfache künstliche neuronale Netze ... 232
  11.2 ... XGBoost ... 252
  11.3 ... Bildklassifizierung mit vortrainiertem Modell ... 256
  11.4 ... Transfer Learning ... 262
  11.5 ... Autoencoder ... 268
  11.6 ... Textklassifizierung ... 277
  11.7 ... AutoML ... 281
  11.8 ... Clusteranalyse ... 285
  11.9 ... Zeitreihenanalyse ... 290
  11.10 ... Textgenerierung ... 306
  11.11 ... Weitere Hinweise zu KNIME ... 312
  11.12 ... Übungen ... 313

  12. Reinforcement Learning ... 317

  12.1 ... Q-Learning ... 318
  12.2 ... Erforderliche Python-Kenntnisse für das Spiel ... 324
  12.3 ... Training ... 329
  12.4 ... Test ... 332
  12.5 ... Ausblick ... 333
  12.6 ... Übungen ... 334

  13. Genetische Algorithmen ... 335

  13.1 ... Der Algorithmus ... 336
  13.2 ... Beispiel einer sortierten Liste ... 340
  13.3 ... Beispiel für Gleichungssysteme ... 343
  13.4 ... Beispielanwendung aus der Praxis ... 346
  13.5 ... Übungen ... 349

  14. ChatGPT und GPT-4 ... 351

  14.1 ... Prompt Engineering ... 354
  14.2 ... Programmierschnittstelle ChatGPT ... 372
  14.3 ... Übung ... 389

  15. DALL-E und Nachfolgemodelle ... 391

  15.1 ... DALL-E 2 ... 392
  15.2 ... DALL-E 3 ... 397
  15.3 ... Programmierschnittstelle ... 399
  15.4 ... Übung ... 405

  16. Ausblick ... 407
  
  Anhang ... 409

  A ... Lösungen ... 409
  B ... Literaturhinweise ... 445

  Index ... 447