Skip to main content
main-content
Top

About this book

Dieses Lehrbuch bietet eine solide Einführung in das Gebiet der Künstlichen Intelligenz, ohne dabei Programmierkenntnisse vorauszusetzen. Es richtet sich somit insbesondere an nicht-informatische Studiengänge. Der Schwerpunkt liegt auf dem Verständnis der grundlegenden Methoden und der Bildung einer Beurteilungskompetenz bezüglich der maschinell trainierten Modelle. Dabei wird u. a. auf die Vorbereitung von Datensätzen eingegangen, ebenso wie auf die Verwendung von Algorithmen im überwachten und unüberwachten maschinellen Lernen. Praxisbeispiele, Verständnisfragen und Übungsaufgaben runden das Lehrbuch ab.

Table of Contents

Frontmatter

Kapitel 1. Grundlagen

Zusammenfassung
Im Kapitel Grundlagen werden die zentralen Begrifflichkeiten auf dem Gebiet der künstlichen Intelligenz (KI) wie „maschinelles Lernen“, „künstliche neuronale Netze“ oder „Big Data“ vorgestellt und zueinander in Beziehung gesetzt. Der Unterschied zwischen überwachten Lernverfahren wie der Klassifikation und Regression und dem unüberwachtem Clustering wird erläutert. Das Kapitel endet mit einer kompakten Einführung in das das Projektmanagement von KI-Projekten.
Stephan Matzka

Kapitel 2. Daten visualisieren und analysieren

Zusammenfassung
Die Phase der Visualisierung und Analyse von Daten wird häufig auch als explorative Analyse bezeichnet und in diesem Kapitel vorgestellt. Methoden und Darstellungsformen zur Sichtung der Daten und zur Dokumentation von statistischen Erkenntnissen über die Lage, Streuung und insbesondere Zusammenhänge innerhalb des Datensatzes werden erläutert und anhand von Praxisbeispielen verdeutlicht.
Stephan Matzka

Kapitel 3. Daten vorbereiten und bereinigen

Zusammenfassung
Bevor eine maschinelle Modellbildung erfolgen kann, müssen die vorhandenen Datenquellen in einen Datensatz integriert, Fehler erkannt und korrigiert und, wo dies nicht möglich ist, entfernt werden. In diesem Kapitel werden gängige Techniken zur Vorbereitung und Bereinigung des Datensatzes behandelt. Ein weiterer Schwerpunkt des Kapitels ist die Auswahl und Kombination der für den maschinellen Lernprozess verwendeten Daten unter Berücksichtigung der Problematik hochdimensionaler Eigenschaftsräume.
Stephan Matzka

Kapitel 4. Überwachtes Lernen

Zusammenfassung
In diesem Kapitel werden häufig genutzte überwachte Lernverfahren wie Entscheidungsbäume, Random-Forest-Verfahren, künstliche neuronale Netzen und Support-Vector-Machines eingehend beschrieben und deren spezifische Vor- und Nachteile aufgezeigt. Insbesondere wird im zweiten Teil des Kapitels die Beurteilung von Ergebnissen aus Klassifikatoren und Regressionsmodellen erläutert und anhand von Praxisbeispielen verdeutlicht.
Stephan Matzka

Kapitel 5. Unüberwachtes Lernen

Zusammenfassung
In diesem Kapitel werden häufig genutzte unüberwachte Lernverfahren wie zentrums- und dichtebasierte sowie hierarchische Clusteringverfahren eingehend beschrieben und deren spezifische Vor- und Nachteile aufgezeigt. Insbesondere wird im zweiten Teil des Kapitels die Beurteilung von Ergebnissen aus Clusteringverfahren erläutert und anhand von Praxisbeispielen verdeutlicht.
Stephan Matzka

Kapitel 6. Musterlösungen zu den Verständnisfragen und Übungen

Zusammenfassung
Am Ende jedes Buchkapitels sind Verständnisfragen und Übungen zur selbständigen Überprüfung des eigenen Wissensstandes bereitgestellt. In diesem Kapitel sind hierfür Musterlösungen gegeben.
Stephan Matzka

Backmatter

Additional information

Premium Partner

    Image Credits