
Künstliche Intelligenz kapieren & programmieren
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
- Neuronale Netze selbst programmieren ohne Vorkenntnisse
- Spannende Projekte von Chatbots bis hin zu Bilderkennung
- Alle Grundlagen anhand von Bildern und Beispielen leicht verständlich erklärt
Du möchtest wissen, was hinter künstlicher Intelligenz und neuronalen Netzen steckt und deine eigenen selbstlernenden Programme schreiben?
In diesem Buch erfährst du mit anschaulichen Erklärungen und vielen Bildern, wie KI funktioniert und wie du neuronale Netze ganz einfach selbst programmieren kannst. Dafür brauchst du keine Vorkenntnisse. Alle notwendigen mathematischen Konzepte werden von Grund auf und sehr anschaulich erklärt. Ganz nebenbei erhältst du eine Einführung in die Programmiersprache Python.
In jedem Kapitel erwarten dich spannende Projekte von ersten kleinen Programmen wie einem selbstlernenden Währungsrechner bis hin zu praxistauglicher Bilderkennung.
Denkaufgaben und Programmierübungen mit Lösungen zum Download helfen dir, dein Wissen zu testen und zu vertiefen. So lernst du Schritt für Schritt, wie du mit einfachen Programmiertechniken deine eigenen künstlichen neuronalen Netze entwickelst und trainierst.
Aus dem Inhalt- Entscheidungsbäume
- Überwachtes und nicht überwachtes Lernen
- Clustering
- Perzeptron
- Vorhersagen treffen
- Datenvisualisierung mit matplotlib
- Neuronale Netze programmieren und trainieren
- Aktivierungsfunktionen
- Verborgene Schichten
- Berechnungen mit NumPy
- Bilderkennung
- Python Imaging Library (PIL)
- Computer Vision
- Mathematisches Glossar
Reviews / Votes
»Ein umfangreicher und gut strukturierter Einstieg in die KI-Programmierung« (ekz-Bibliotheksservice, 12/2023)
More details
Other editions
Additional editions

Person
Content
- Cover
- Impressum
- Inhaltsverzeichnis
- Einleitung
- Kapitel 1: Denkende Maschinen
- 1.1 Was ist künstliche Intelligenz?
- 1.2 Chatbots
- 1.3 Vorbereitung: Python installieren
- 1.4 Projekt: Mini-Eliza
- 1.4.1 Schritt 1: Auf eine Eingabe reagieren
- 1.4.2 Schritt 2: Mehr Intelligenz durch verschachtelte if-else-Anweisungen
- 1.4.3 Schritt 3: Mit elif die technische Qualität verbessern
- 1.4.4 Schritt 4: Von der einfachen Reaktion zum Gespräch
- 1.4.5 Schritt 5: Jetzt kommt der Zufall ins Spiel
- 1.4.6 Fazit
- 1.5 Lernende Programme (Entscheidungsbäume)
- 1.6 Trainingscamp: Programmieren mit Listen
- 1.6.1 Station 1: Indizes
- 1.6.2 Station 2: Listen verarbeiten
- 1.6.3 Station 3: Mit einer Liste von Tupeln modellieren
- 1.7 Projekt: An wen denkst du?
- 1.7.1 Schritt 1: Vorbereitung
- 1.7.2 Schritt 2: Interaktion
- 1.7.3 Schritt 3: Schluss
- 1.7.4 Fazit
- 1.8 Subsymbolische KI - Machine Learning
- 1.8.1 Die Grenzen symbolischer Intelligenz: Beispiel Verkehrsschilder
- 1.8.2 Drei Arten des Machine Learnings
- 1.8.3 Wie werden Verkehrszeichen erkannt?
- 1.9 Projekt: k-Means-Clustering
- 1.9.1 Schritt 1: Vorbereitung
- 1.9.2 Schritt 2: Clustern
- 1.9.3 Fazit
- 1.10 Rückblick
- Kapitel 2: Einfache Vorhersagen - lineare Regression
- 2.1 Lernen durch Erfahrung: Wie lernt man Murmeln?
- 2.2 Projekt: Ein klassischer Währungsrechner
- 2.3 Was ist eine lineare Beziehung?
- 2.4 Lernen durch Beobachten
- 2.5 Projekt: Ein Währungsrechner, der lernen kann
- 2.6 Trainingscamp: Daten visualisieren
- 2.6.1 Station 1: Ein Diagramm erstellen
- 2.6.2 Station 2: Linienformate und Achsenbeschriftung
- 2.6.3 Station 3: Die range()-Funktion verwenden
- 2.6.4 Station 4: List Comprehensions
- 2.6.5 Station 5: Mehrere Kurven in einem Koordinatensystem
- 2.7 Daten professionell auswerten: Lineare Regression
- 2.8 Rückblick
- Kapitel 3: Daten klassifizieren: Wie lernt ein Computer, Objekte zu erkennen?
- 3.1 Bilddaten auswerten: Von Menschen und Hunden
- 3.2 Etikettierte Daten (Labeled Data)
- 3.3 Mit etikettierten Daten lernen
- 3.3.1 Lernschritt 1
- 3.3.2 Lernschritt 2
- 3.3.3 Lernschritt 3
- 3.4 Moderation: Gemäßigte Änderungen
- 3.5 Projekt: Ein lernfähiges Vorhersageprogramm
- 3.5.1 Schritt 1: Vorbereitung
- 3.5.2 Schritt 2: Training
- 3.5.3 Schritt 3: Vorhersagen
- 3.6 Hintergrund: Linear separierbare Daten
- 3.7 Noch etwas Programmiertechnik: Daten laden und speichern
- 3.7.1 Eine Textdatei lesen und ausgeben
- 3.7.2 Einen String aufspalten
- 3.8 Rückblick
- Kapitel 4: Neuronale Netze
- 4.1 Neuronale Netze in der Natur
- 4.2 Feuern! Das Alles-oder-nichts-Prinzip
- 4.3 Künstliche Gehirne
- 4.4 Ein Gehirn ist kein Computer
- 4.5 Projekt: Reaktionstest - Ein Blick ins eigene Nervensystem
- 4.6 Künstliche neuronale Netze
- 4.7 Die Anfänge: Das Perzeptron von Frank Rosenblatt
- 4.8 Logische Operationen
- 4.9 Ein Perzeptron für logische Operationen
- 4.10 Training
- 4.11 Projekt: Ein Rosenblatt-Perzeptron
- 4.11.1 Programmteil 1: Vorbereitung
- 4.11.2 Programmteil 2: Definition der Funktion vorhersehen()
- 4.11.3 Programmteil 3: Definition der Funktion trainieren()
- 4.11.4 Programmteil 4: Das Hauptprogramm
- 4.12 Die Grenzen des einlagigen Perzeptrons: Das XOR-Problem
- 4.13 Rückblick
- Kapitel 5: Moderne künstliche neuronale Netze
- 5.1 Eine bessere Aktivierungsfunktion: Die Sigmoid- Funktion
- 5.2 Projekt: Eine Wertetabelle für die Sigmoid-Funktion
- 5.3 Die Ableitung der Sigmoid-Funktion
- 5.4 Projekt: Die Sigmoid-Funktion als Aktivierungsfunktion für das ODER-Perzeptron
- 5.5 Verborgene Knoten und die Grundideen der Error Backpropagation
- 5.5.1 Vom Wandern in den Bergen: Das Gradientenverfahren
- 5.5.2 Partielle Ableitung
- 5.5.3 Anwendung des Gradientenverfahrens und Error Backpropagation
- 5.5.4 Die Änderung eines Gewichts bei einem Trainingsschritt
- 5.5.5 Aktualisierung der übrigen Gewichte
- 5.6 Projekt: Ein neuronales Netz, das das XOR-Problem löst
- 5.6.1 Programmteil 1: Vorbereitung
- 5.6.2 Programmteil 2: Die Funktion vorhersagen()
- 5.6.3 Programmteil 3: Definition der Funktion trainieren()
- 5.6.4 Programmteil 4: Zufällige Trainingsdaten erzeugen
- 5.6.5 Programmteil 5: Training
- 5.6.6 Programmteil 6: Testen
- 5.7 Projekt: Gurke oder Apfel?
- 5.7.1 Programm 1: Trainingsdaten erzeugen
- 5.7.2 Programm 2: Das neuronale Netz
- 5.8 Rückblick
- Kapitel 6: Bilder auswerten und Ziffern erkennen
- 6.1 Was sind Vektoren und Matrizen?
- 6.2 Trainingscamp: NumPy
- 6.2.1 Vorbereitung
- 6.2.2 Station 1: Arrays erzeugen
- 6.2.3 Station 2: Operationen mit Arrays und Skalaren
- 6.2.4 Station 3: Operationen mit zwei Arrays
- 6.2.5 Station 4: Die Form eines Arrays verändern
- 6.2.6 Station 5: Matrizenmultiplikation mit dot()
- 6.2.7 Station 6: Zufallsarrays
- 6.2.8 Station 7: Elemente eines Arrays verarbeiten
- 6.2.9 Station 8: Auf Elemente eines Arrays zugreifen
- 6.3 Mit Arrays die Programmierung vereinfachen
- 6.3.1 Programmteil 1: Vorbereitung
- 6.3.2 Programmteil 2: Die Funktion vorhersagen(i)
- 6.3.3 Programmteil 3: Definition der Funktion trainieren()
- 6.3.4 Programmteil 4: Training
- 6.4 Projekt: Ziffern erkennen
- 6.4.1 Trainings- und Testdaten
- 6.4.2 Eine Ziffer auf dem Bildschirm darstellen
- 6.4.3 Aufbau des neuronalen Netzes
- 6.4.4 Programmierung des neuronalen Netzes
- 6.5 Rückblick
- Kapitel 7: Eigene Projekte zur Bilderkennung
- 7.1 Fotolabor: Bilder verarbeiten mit der Python Imaging Library (PIL)
- 7.1.1 Vorbereitung
- 7.1.2 Experiment 1: Ein Bild laden und auf dem Bildschirm darstellen
- 7.1.3 Experiment 2: Attribute eines Image-Objekts ausgeben
- 7.1.4 Experiment 3: Die Größe eines Bilds ändern
- 7.1.5 Experiment 4: Ein Bild in eine Liste überführen
- 7.1.6 Experiment 5: Aus einem Farbbild ein Graustufenbild gewinnen
- 7.2 Projekt: Ziffern auf eigenen Bildern erkennen
- 7.2.1 Vorbereitung
- 7.2.2 Gewichte speichern
- 7.2.3 Das vortrainierte neuronale Netz nutzen
- 7.3 Projekt: Mit der Kamera Gesten erkennen
- 7.3.1 Vorbereitung
- 7.3.2 Die Kamera ausprobieren
- 7.3.3 Die Programmierung
- 7.4 Rückblick
- Kapitel 8: Fortgeschrittene Projekte mit künstlicher Intelligenz
- 8.1 Computer Vision
- 8.2 Neuronale Netze mit PyTorch
- 8.3 KI mit Google Colaboratory
- Glossar: Mathematisches Wörterbuch für KI
- Ableitung
- Ableitung einer konstanten Funktion
- Ableitung einer quadratischen Funktion
- Aktivierungsfunktion
- Baum
- Benchmark
- Del-Symbol ?
- Delta ?
- Differenzialquotient
- Fehlerfunktion
- Funktion (Mathematik)
- Funktion (Programmierung)
- Gleichgerichtete Lineareinheit - ReLU
- Gleichverteilung
- Gradient
- Graph (Graphentheorie)
- Graph einer Funktion
- Kettenregel
- Knoten eines künstlichen neuronalen Netzes
- Künstliches neuronales Netz
- Matrix
- Lineare Funktion
- Lineare Separierbarkeit
- Neuron
- Neuronales Netz
- Partielle Ableitung
- Sigmoid-Funktion
- Spaltenvektor
- Steigung
- Summenregel
- tanh-Funktion
- Target
- Transponierte Matrix
- XOR-Problem
- Zeilenvektor
- Stichwortverzeichnis
System requirements
File format: ePUB
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use a reading software that can process the file format ePUB: e.g., Adobe Digital Editions or FBReader – both free (see eBook Help).
- Tablet/Smartphone (Android; iOS): Before downloading, install the free app Adobe Digital Editions (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (not Kindle).
The file format ePUB works well for novels and non-fiction books – i.e., „flowing” text without complex layout. On an e-reader or smartphone, line and page breaks automatically adjust to fit the small displays.
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.