AI Revealed

Name: AI Revealed | Theory, Applications and Ethics
Brand: De Gruyter
Price: 37.95 EUR
Availability: OnlineOnly

Theory, Applications and Ethics

Herman Erik(Autor*in)

De Gruyter (Verlag)

1. Auflage

Erschienen am 29. November 2024

194 Seiten

E-Book

ePUB mit Wasserzeichen-DRM

Systemvoraussetzungen

E-Book

PDF mit Wasserzeichen-DRM

Systemvoraussetzungen

978-1-5015-2067-9 (ISBN)

37,95 €inkl. 7% MwSt.

Systemvoraussetzungen

für ePUB mit Wasserzeichen-DRM und PDF mit Wasserzeichen-DRM

(Hinweis: Die Auswahl des von Ihnen gewünschten Dateiformats und des Kopierschutzes erfolgt erst im System des E-Book Anbieters)

E-Book Einzellizenz

Als Download verfügbar

Beschreibung

Weitere Details

Weitere Ausgaben

Person

Inhalt

Half title
Title
Copyright
Dedication
Contents
Preface
Chapter 1: The Foundations of Artificial Intelligence
What is Artificial Intelligence?
Definition of AI
Types of AI
Narrow AI
General AI
Artificial Superintelligence
Core Components of AI Systems
Machine Learning (ML)
Neural Networks
Robotics
Expert Systems
The History of AI
Early Concepts and Theories
Key Milestones
Modern Developments
Importance and Applications of AI
Transformational Impact
Healthcare
Automotive
Finance
Customer Service
Daily Life
Ethical Considerations
Fundamental Questions
Bias and Fairness
Privacy
Regulation and Governance
AI Application: Create a Simple Rule-Based Chatbot
Step 1: Set Up the Development Environment
Step 2: Create the Chatbot Script
Step 3: Run the Chatbot
Step 4: Understand the Script
Conclusion
Chapter 2: Foundations of Machine Learning
Introduction to Machine Learning
Definition and Scope
How ML Works
Key Components
Data
Model
Learning Algorithm
Evaluation Metrics
Supervised Learning
Concept and Mechanism
Common Algorithms
Linear Regression
Logistic Regression
Decision Trees
Support Vector Machines (SVMs)
Applications
Spam Detection
Sentiment Analysis
Credit Scoring Systems
Medical Diagnosis
Fraud Detection
Predictive Maintenance
Customer Churn Prediction
Stock Market Prediction
Unsupervised Learning
Concept and Mechanism
Common Algorithms
Clustering Algorithms
Association Algorithms
Dimensionality Reduction Techniques
Applications
Customer Segmentation
Market Basket Analysis
Anomaly Detection
Social Network Analysis
Document Clustering
Image Compression
Bioinformatics
Model Evaluation and Selection
Evaluation Metrics
Precision and Recall
The F1 Score
Mean Squared Error (MSE) and Root Mean Squared Error (RMSE)
Area Under the Receiver Operating Characteristic Curve (AUC-ROC)
Validation Techniques
Cross-Validation
Bootstrapping
Model Selection
AI Application: Implement a Linear Regression Model to Predict House Prices
Step 1: Set Up the Development Environment
Step 2: Prepare the Dataset
Step 3: Implement the Linear Regression Model
Step 4: Run the Script
Conclusion
Chapter 3: Deep Learning and Neural Networks
Introduction to Deep Learning
Understanding Neural Networks
Basic Structure
How They Learn
Types of Neural Networks
Feedforward Neural Networks
Recurrent Neural Networks (RNNs)
Convolutional Neural Networks (CNNs)
Transformers
Key Architectures in Deep Learning
CNNs
RNNs
Transformers
Challenges and Ethical Considerations
Computational Demands
Data Requirements
Privacy and Security
Artificial Neural Networks (ANNs)
Fundamentals of ANNs
Neuron Model
Layers of an ANN
Activation Functions
Training Neural Networks
Backpropagation
Loss Functions
Optimization Algorithms
Practical Applications of ANNs
Finance
Healthcare
Industrial Automation
CNNs
Architecture of CNNs
Convolutional Layers
Pooling Layers
Fully Connected Layers
Functionality and Training of CNNs
Feature Learning
Backpropagation in CNNs
Advanced Training Techniques
Real-World Applications of CNNs
Facial Recognition Systems
Medical Imaging
Automotive Industry
RNNs
Handling Sequential Data
Advanced Architectures
Applications of RNNs
Language Translation Services
Voice-Activated Assistants
Financial Forecasting
Advanced Architectures (for example, GANs, Transformers)
Generator
Discriminator
Training Process
Applications
Transformers
Core Mechanism
Training Efficiency
Applications
AI Application: Build a Basic Neural Network for Digit Classification Using MNIST Dataset
Step 1: Set Up the Development Environment
Step 2: Load and Preprocess the MNIST Dataset
Step 3: Create the Neural Network
Step 4: Train the Neural Network
Step 5: Evaluate the Model
Step 6: Run the Script
Conclusion
Chapter 4: Natural Language Processing (NLP)
Introduction to NLP
Fundamentals of NLP
Syntax
Semantics
Pragmatics
Techniques in NLP
Text Preprocessing
Parsing and Part-of-Speech Tagging
Challenges in NLP
Ambiguity and Context
Slang and Dialects
Resource Availability
Real-World Applications of NLP
Voice-Activated Assistants
Customer Service Bots
Automated Translation Services
Text Preprocessing
Tokenization
Stemming
Lemmatization
Removing Stop Words
Sentiment Analysis
Named Entity Recognition
Machine Translation
AI Application: Perform Sentiment Analysis on a Set of Movie Reviews
Step 1: Set Up Development Environment
Step 2: Load and Preprocess the Movie Reviews Dataset
Step 3: Train the Sentiment Analysis Model
Step 4: Evaluate the Model
Step 5: Run the Script
Conclusion
Chapter 5: Computer Vision
Introduction to Computer Vision
Image Preprocessing
Grayscale Conversion
Histogram Equalization
Normalization
Edge Detection
Object Detection
Region-Based Convolutional Neural Networks (R-CNNs)
YOLO (You Only Look Once)
SSD (Single Shot Multidetector)
Image Classification
Convolutional Neural Networks (CNNs)
Machine Learning Algorithms
Image Segmentation
Thresholding
Clustering Methods
Advanced Methods
AI Application: Implement an Image Classification Model Using CIFAR-10 Dataset
Step 1: Set Up Development Environment
Step 2: Load and Preprocess the CIFAR-10 Dataset
Step 3: Build the Image Classification Model
Step 4: Train the Image Classification Model
Step 5: Evaluate the Model
Step 6: Run the Script
Conclusion
Chapter 6: Ethics and Bias in AI
Ethical Considerations in AI
Bias in AI Algorithms
Fairness and Accountability
Regulation and Governance
AI Application: Analyze Bias in a Dataset and Discuss Mitigation Strategies
Step 1: Set Up Development Environment
Step 2: Load and Explore the Dataset
Step 3: Preprocess the Data
Step 4: Train a Baseline Model
Step 5: Analyze Bias in the Model
Step 6: Mitigate Bias
Step 7: Run the Script
Conclusion
Chapter 7: AI in Practice: Industry Case Studies
Healthcare
Finance
Transportation
Retail
Manufacturing
AI Application: Predicting Patient Outcomes in Healthcare
Step 1: Set Up Development Environment
Step 2: Load and Explore the Healthcare Dataset
Step 3: Preprocess the Data
Step 4: Train a Predictive Model
Step 5: Evaluate the Model
Conclusion
Chapter 8: Future of AI and Emerging Technologies
Quantum Computing
Edge AI
Explainable AI
AI for Social Good
AI Application: Experiment With a Simple Quantum Computing Algorithm Using IBM's Qiskit
Step 1: Set Up Development Environment
Step 2: Introduction to Quantum Computing Basics
Step 3: Implement a Basic Quantum Algorithm
Conclusion
Chapter 9: Getting Started With AI Development
Setting Up Development Environment
Introduction to Python for AI
Using Popular AI Libraries
AI Application: Set Up an AI Development Environment and Run a Basic Python Script
Step 1: Install Python
Step 2: Install Jupyter Notebook
Step 3: Set Up a Virtual Environment (optional but recommended)
Step 4: Create and Run a Jupyter Notebook
Conclusion
Appendix A: Overview of the Lisp Programming Language
Appendix B: Resources and Community
Index

Systemvoraussetzungen

Dateiformat: ePUB
Kopierschutz: Wasserzeichen-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Verwenden Sie eine Lese-Software, die das Dateiformat ePUB verarbeiten kann: z.B. Adobe Digital Editions oder FBReader – beide kostenlos (siehe E-Book Hilfe).
Tablet/Smartphone (Android; iOS): Installieren Sie die App Adobe Digital Editions oder eine andere Leseapp für E-Books, z.B. PocketBook (siehe E-Book Hilfe).
E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m.

Das Dateiformat ePUB ist sehr gut für Romane und Sachbücher geeignet - also für „fließenden” Text ohne komplexes Layout. Bei E-Readern oder Smartphones passt sich der Zeilen- und Seitenumbruch automatisch den kleinen Displays an.
Mit Wasserzeichen-DRM wird hier ein „weicher” Kopierschutz verwendet. Daher ist technisch zwar alles möglich – sogar eine unzulässige Weitergabe. Aber an sichtbaren und unsichtbaren Stellen wird der Käufer des E-Books als Wasserzeichen hinterlegt, sodass im Falle eines Missbrauchs die Spur zurückverfolgt werden kann.

Weitere Informationen finden Sie in unserer E-Book Hilfe.

Dateiformat: PDF
Kopierschutz: Wasserzeichen-DRM (Digital Rights Management)

Systemvoraussetzungen:

Computer (Windows; MacOS X; Linux): Verwenden Sie zum Lesen die kostenlose Software Adobe Reader, Adobe Digital Editions oder einen anderen PDF-Viewer Ihrer Wahl (siehe E-Book Hilfe).
Tablet/Smartphone (Android; iOS): Installieren Sie bereits vor dem Download die kostenlose App Adobe Digital Editions oder die App PocketBook (siehe E-Book Hilfe).
E-Book-Reader: Bookeen, Kobo, Pocketbook, Sony, Tolino u.v.a.m.

Das Dateiformat PDF zeigt auf jeder Hardware eine Buchseite stets identisch an. Daher ist eine PDF auch für ein komplexes Layout geeignet, wie es bei Lehr- und Fachbüchern verwendet wird (Bilder, Tabellen, Spalten, Fußnoten). Bei kleinen Displays von E-Readern oder Smartphones sind PDF leider eher nervig, weil zu viel Scrollen notwendig ist. Mit Wasserzeichen-DRM wird hier ein „weicher” Kopierschutz verwendet. Daher ist technisch zwar alles möglich – sogar eine unzulässige Weitergabe. Aber an sichtbaren und unsichtbaren Stellen wird der Käufer des E-Books als Wasserzeichen hinterlegt, sodass im Falle eines Missbrauchs die Spur zurückverfolgt werden kann.

Weitere Informationen finden Sie in unserer E-Book Hilfe.

Als PDF speichern Als Link merken