Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2021 | OriginalPaper | Buchkapitel

1. Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens

verfasst von : Peter Buxmann, Holger Schmidt

Erschienen in: Künstliche Intelligenz

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Künstliche Intelligenz (KI) ist auf dem Weg, Gesellschaft und Wirtschaft nachhaltig zu verändern, wie das Zitat von Tim Cook, dem CEO von Apple, oben zeigt. Viele Umfragen sprechen heute dafür, dass die Verbreitung von KI-Algorithmen weiter zunehmen wird. Beispielsweise hat Forbes eine Befragung unter mehr als 300 Führungskräften durchgeführt. Demnach glauben 95 Prozent der Befragten, dass KI zukünftig eine wichtige Rolle in ihren Unternehmen spielen wird (Forbes 2018). Gemäß einer Studie des McKinsey Global Institute (MGI) können durch die KI-Analyse auch erhebliche Wachstumseffekte erzielt werden. Insgesamt sei bis 2030 ein zusätzlicher globaler Wertschöpfungsbeitrag in Höhe von 13 Billionen US-Dollar möglich (Gandorfer 2018). Das Wachstum wird voraussichtlich vor kaum einer Branche oder einem Land haltmachen. Auch in Deutschland und den einzelnen Bundesländern wird KI in den kommenden Jahren dazu beitragen, dass sich das Bruttoinlandsprodukt signifikant erhöht. Eine Veröffentlichung der PwC aus dem Jahr 2018 kommt dabei zu dem Ergebnis, dass das BIP in Deutschland, allein aufgrund der Einführung von KI in den einzelnen Branchen, von 2017 bis zum Jahr 2030 um 11,3 Prozent steigen wird. In absoluten Zahlen entspricht dies einem Plus von 430 Milliarden Euro (PwC 2018).

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Ökonomische Effekte der Künstlichen Intelligenz
Literatur
Alsheryani, R. M., Alkaabi, S. S., Alkaabi, S. S., Aldhaheri, A. M., Khouri, F. I., Alharmoodi, S. I., et al. (2019). Applying Artificial Intelligence (AI) for predictive maintenance of power distribution networks: A case study of Al Ain distribution company. Paper presented at the 2019 International Conference on Electrical and Computing Technologies and Applications (ICECTA), Ra’s al-Chaima, Emirat.
Bishop, C. (2006). Pattern recognition and machine learning. New York: Springer-Verlag.
Carbonell, J. G., Michalski, R. S., & Mitchell, T. M. (1983). An overview of machine learning. In R. S. Michalski, J. G. Carbonell & T. M. Mitchell (Hrsg.), Machine learning: An artificial intelligence approach (S. 3–23). Palo Alto: TIOGA Publishing.
Dalal, N., & Triggs, B. (2005). Histograms of oriented gradients for human detection. Paper presented at the 2005 IEEE computer society conference on computer vision and pattern recognition, San Diego, USA.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874.CrossRef
Forbes. (2018). AI momentum, maturity & models for success.
Franklin, S., & Graesser, A. (1997). Is it an agent, or just a program?: A taxonomy for autonomous agents. In J. Müller, M. J. Wooldridge & N. R. Jennings (Hrsg.), Intelligent agents III agent theories, architectures, and languages (Bd. 1193, S. 21–35) Budapest: Springer.
Goertzel, B. (2010). Toward a formal characterization of real-world general intelligence. Paper presented at the proceedings of the 3rd conference on artificial general intelligence, AGI, Lugano, Switzerland.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. Cambridge, MA: MIT Press.
Gouriveau, R., Medjaher, K., & Zerhouni, N. (2016). From prognostics and health systems management to predictive maintenance 1: Monitoring and prognostics. Hoboken: Wiley.CrossRef
Grace, K., Salvatier, J., Dafoe, A., Zhang, B., & Evans, O. (2017). When will AI exceed human performance? Evidence from AI Experts. Journal of Artificial Intelligence Research, 62, 729–754.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction (2. Aufl.). New York: Springer.CrossRef
Hyndman, R. J., & Koehler, A. B. (2006). Another look at measures of forecast accuracy. International Journal of Forecasting, 22(4), 679–688.CrossRef
Kononenko, I. (2001). Machine learning for medical diagnosis: History, state of the art and perspective. Artificial Intelligence in Medicine, 23(1), 89–109.CrossRef
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Proceedings of the 25th International Conference on Neural Information Processing Systems (Lake Tahoe, NV, Dec. 2012), 1097–1105. Paper presented at the Neural Information Processing Systems (NIPS).
Marsland, S. (2014). Machine learning: An algorithmic perspective. London: Taylor & Francis.CrossRef
Mertens, P. (1985). Künstliche Intelligenz in der Betriebswirtschaft. In D. Ohse, A. C. Esprester, H.-U. Küpper, P. Stähly & H. Steckhan (Hrsg.), DGOR. Operations research proceedings. Berlin/Heidelberg: Springer.
Mitchell, T. M. (1997). Machine learning. New York City: McGraw-Hill.
Murphy, K. P. (2012). Machine learning: A probabilistic perspective. Cambridge, MA: The MIT Press.
Newell, A., & Simon, H. (1958). Heuristic problem solving: The next advance in operations research. Operations Research, 6(1), 1–10.CrossRef
Nilsson, N. J. (2014). Principles of artificial intelligence. Palo Alto: Tioga Press.
Odagiri, H., Nakamura, Y., & Shibuya, M. (1997). Research consortia as a vehicle for basic research: The case of a fifth generation computer project in Japan. Research Policy, 26, 191–207.CrossRef
Pennachin, C., & Goertzel, B. (2007). Contemporary approaches to artificial general intelligence. In B. Goertzel & C. Pennachin (Hrsg.), Artificial general intelligence (S. 1–28). Washington, D.C: AGIRI – Artificial General Intelligence Research Institute.
Pfitzner, D., Leibbrandt, R., & Powers, D. (2009). Characterization and evaluation of similarity measures for pairs of clusterings. Knowledge and Information Systems, 19(3), 361.CrossRef
Polanyi, M. (1966). The tecit dimension. Gloucester: Peter Smith.
Powers, D. M. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. Journal of Machine Learning Technologies, 29(1), 37–63.
Rey, G. D., & Wender, K. F. (2018). Neuronale Netze. Eine Einführung in die Grundlagen, Anwendungen und Datenauswertung. Göttingen: Hogrefe Verlag GmbH & Co. KG.
Russel, S. J., & Norvig, P. (2010). Artificial intelligence: A modern approach. Eaglewood Cliffs: Prentice Hall International.
Saul, L. K., & Roweis, S. T. (2003). Think globally, fit locally: Unsupervised learning of low dimensional manifolds. Journal of Machine Learning Research, 4, 119–155.
Shortlife, E. H., Davis, R., Axline, S. G., Buchanan, B. G., Green, C. C., & Cohen, S. N. (1975). Computer-Based consultations in clinical therapeutics: Explanation and rule acquisition capabilities of the MYCIN system. Computers and Biomedical Research, 8, 303–320.CrossRef
Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529, 484–489.CrossRef
Silver, D., Hubert, T., Schrittwieser, J., Antonoglou, I., Lai, M., Guez, A., et al. (2017a). Mastering Chess and Shogi by self-play with a general reinforcement learning algorithm. arXiv.​org.
Zheng, A., & Casari, A. (2018). Feature engineering for machine learning: Principles and techniques for data scientists. Newton: O’Reilly Media.
Metadaten
Titel
Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens
verfasst von
Peter Buxmann
Holger Schmidt
Copyright-Jahr
2021
Verlag
Springer Berlin Heidelberg
Buch
Künstliche Intelligenz

Print ISBN: 978-3-662-61793-9

Electronic ISBN: 978-3-662-61794-6

Copyright-Jahr: 2021

DOI
https://doi.org/10.1007/978-3-662-61794-6_1