
Machine Learning mit Python für PC, Raspberry Pi und Maixduino
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
Der Begriff "Künstliche Intelligenz" wurde 1956 auf einer internationalen Konferenz, dem Dartmouth Summer Research Project geprägt. Eine grundlegende Idee war dabei, die Funktionsweise des menschlichen Gehirns zu modellieren und darauf basierend fortschrittliche Computersysteme zu konstruieren. Bald sollte klar sein, wie der menschliche Verstand funktioniert. Die Übertragung auf eine Maschine wurde nur noch als ein kleiner Schritt angesehen. Diese Vorstellung erwies sich als etwas zu optimistisch. Dennoch sind die Fortschritte der modernen KI, beziehungsweise ihrem Teilgebiet dem sogenannten "Machine Learning", nicht mehr zu übersehen.
Um die Methoden des Machine Learnings näher kennenzulernen, sollen in diesem Buch mehrere verschiedene Systeme zum Einsatz kommen. Neben dem PC werden sowohl der Raspberry Pi als auch der "Maixduino" in den einzelnen Projekten ihre Fähigkeiten beweisen. Zusätzlich zu Anwendungen wie Objekt- und Gesichtserkennung entstehen dabei auch praktisch einsetzbare Systeme wie etwa Flaschendetektoren, Personenzähler oder ein "Sprechendes Auge".
Letzteres ist in der Lage, automatisch erkannte Objekte oder Gesichter akustisch zu beschreiben. Befindet sich beispielsweise ein Fahrzeug im Sichtfeld der angeschlossenen Kamera, so wird die Information "I see a car!" über elektronisch erzeugte Sprache ausgegeben. Derartige Geräte sind hochinteressante Beispiele dafür, wie etwa auch blinde oder stark sehbehinderte Menschen von KI-Systemen profitieren können.
More details
Other editions
Additional editions

Person
Content
- Intro
- Inhaltsverzeichnis
- Warnhinweise
- Programmdownload
- Kapitel 1 Einführung
- 1.1 In Drei Stufen zur "Superintelligenz"?
- 1.2 Wie Maschinen lernen können
- Kapitel 2 Eine kleine Geschichte der KI
- Kapitel 3 Lernen aus großen Datenmengen
- 3.1 Maschinelles Lernen und Künstliche Intelligenz
- Kapitel 4 Hardwarebasis
- Kapitel 5 Der PC als universelle KI-Maschine
- 5.1 Der Computer als Programmierzentrale
- Kapitel 6 Raspberry Pi
- 6.1 Remote Desktop
- 6.2 Smartphones und Tablets als Bildschirme
- 6.3 FileZilla
- 6.4 Pimp my Pi
- Kapitel 7 Sipeed Maix: Der "MaixDuino
- 7.1 Klein aber fein: Die Leistungsmerkmale des "MaixDuino
- 7.2 Anwendungsbereiche
- 7.3 Inbetriebnahme und Funktionstest
- 7.4 Stromversorgung und stand-alone Betrieb
- Kapitel 8 Programmier- und Entwicklungs-umgebungen
- 8.1 Thonny - eine Python IDE für Ein- und Aufsteiger
- 8.2 Universalgenie: Thonny für RasPi und MaixDuino
- 8.3 Umgang mit Dateien
- 8.4 Thonny auf dem Raspberry Pi
- 8.5 Tipps zur Fehlerbehebung in der Thonny IDE
- 8.6 Die MaixPy IDE
- 8.7 MicroPython-Interpreter auf dem MaixDuino
- 8.8 Flash-Tool im Einsatz
- 8.9 Machine Learning und Interaktives Python
- 8.10 Anaconda
- 8.11 Jupyter
- 8.12 Installation und Start
- 8.13 Jupyter mit MicroPython-Kernel
- 8.14 Kommunikationsaufbau zum MaixDuino
- 8.15 Des Pudels Kern: Kernels
- 8.16 Arbeiten mit Notizbüchern
- 8.17 Alle Libraries an Board?
- 8.18 Python mit Spyder
- 8.19 Wer programmiert wen?
- Kapitel 9 Python: Ein Kompendium
- 9.1 Kommentare erleichtern das Leben
- 9.2 Die print()-Anweisung
- 9.3 Ausgaben auf das Display
- 9.4 Einrückungen und Blöcke
- 9.5 Zeitsteuerung und sleep
- 9.6 Die Hardware im Griff: Digitale Ein- und Ausgänge
- 9.7 Für wichtige Werte: Variablen und Konstanten
- 9.8 Zahlen und Variablentypen
- 9.9 Konvertieren von Zahlentypen
- 9.10 Arrays als Basis Neuronaler Netze
- 9.11 Operatoren
- 9.12 Bedingungen, Verzweigungen und Schleifen
- 9.13 Versuch und Irrtum: try und except
- Kapitel 10 Unentbehrliche Helfer: Libraries
- 10.1 MatPlotLib als Grafikkünstler
- 10.2 Das Rechengenie: NumPy
- 10.3 Die Datenkrake: pandas
- 10.4 Lernen und Visualisieren: SciKit, SciPy, SciKit-image und Co
- 10.5 Maschinen lernen Sehen - mit OpenCV
- 10.6 Intelligenzbestien: KERAS und TensorFlow
- 10.7 Wissenstransfer: Übertragung von Lernleistungen
- 10.8 Grafische Darstellung der Netzstruktur
- 10.9 Lösung des XOR-Problems in KERAS
- 10.10 Virtuelle Umgebungen
- Kapitel 11 Machine Learning in der Praxis
- 11.1 Transferfunktionen und vielschichtige Netze
- 11.2 Blüten und Daten
- 11.3 Grafische Darstellungen von Datensätzen
- 11.4 Ein Netz für Iris-Blüten
- 11.5 Zwei Paar Stiefel: Trainieren und Testen
- 11.6 Welche Blüte ist das?
- 11.7 Test und Lernverhalten
- Kapitel 12 Erkennung von handschriftlichen Zahlen
- 12.1 "Hello ML" - MNIST-Datensatz
- 12.2 Ein Neuronales Netzes liest Ziffern
- 12.3 Training, Tests und Prognosen
- 12.4 Erweiterung auf Online-Video
- 12.5 KERAS kann es noch besser!
- 12.6 "Gefaltete" Netzwerke
- 12.7 Power-Training
- 12.8 Niemals ohne Qualitätskontrolle!
- 12.9 Livebilder erkennen
- 12.10 Chargengrößen und Epochen
- 12.11 Auch der MaixDuino liest Ziffern
- Kapitel 13 Maschinen lernen sehen: Objekterkennung
- 13.1 TensorFlow für den Raspberry
- 13.2 Virtuelle Umgebungen
- 13.3 Ein universelles TFLite-Modell im Einsatz
- 13.4 Ideal für "Messies": Klamotten sortieren
- 13.5 Aufbau und Training des Modells
- 13.6 MaixDuino erkennt 20 Objekte
- 13.7 Gegenstände erkennen, zählen und sortieren
- Kapitel 14 Maschinen lernen hören und sprechen
- 14.1 Sprich mit mir!
- 14.2 RasPi lernt sprechen
- 14.3 Messgeräte mit Sprachausgabe
- 14.4 Ich habe Sie (nicht) verstanden...
- 14.5 RasPi als "ChatBot
- 14.6 "PlauderBots
- 14.7 Das "sprechende Auge
- 14.8 Eine "KI-Fledermaus
- Kapitel 15 Gesichtserkennung und -identifizierung
- 15.1 Das Recht am eigenen Bild
- 15.2 Maschinen erkennen Menschen und Gesichter
- 15.3 MaixDuino als Türspion
- 15.4 Wie viele Personen waren auf der Party?
- 15.5 Personenalarm
- 15.6 Sozialer Sprengstoff? - Gesichtsidentifizierung
- 15.7 "Big Brother" RasPi: Gesichtsidentifizierung in der Praxis
- 15.8 Bitte recht freundlich
- -)
- 15.9 Foto-Training
- 15.10 Erkenne dich selbst! (und andere...)
- 15.11 Ein Biometriescanner als Türöffner
- 15.12 Geschlecht und Alter erkennen
- Kapitel 16 Trainieren eigener Modelle
- 16.1 Erstellung eines Modells für den MaixDuino
- 16.2 MaixDuino erkennt Elektronik-Komponenten
- 16.3 Performance des trainierten Netzes
- 16.4 Praxistest
- 16.5 Ausblick: Multi-Objekt-Detektoren
- Kapitel 17 Zukunftsmusik: Von der KPU zum Neuromorphen Chip
- Kapitel 18 Elektronische Bauelemente
- 18.1 Breadboards
- 18.2 Drahtbrücken und Jumper-Kabel
- 18.3 Widerstände
- 18.4 Leuchtdioden (LEDs)
- 18.5 Transistoren
- 18.6 Sensoren
- 18.7 Ultraschall-Entfernungsmesser
- Kapitel 19 Fehlersuche
- Kapitel 20 Bezugsquellen
- Kapitel 21 Literatur
- Kapitel 22 Abbildungsverzeichnis
- Stichwortverzeichnis
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.