Skip to main content
main-content

Über dieses Buch

Künstliche Intelligenz und Maschinelles Lernen: Erweitern Sie Ihr Fachwissen mit diesem Sachbuch
Was verbirgt sich überhaupt hinter Künstlicher Intelligenz (KI) und Maschinellem Lernen (ML)? Dieses Sachbuch liefert verständliche Antworten.
ML und KI spielen im Zuge von Industrie 4.0 und der Digitalisierung eine immer größere Rolle. Ganz ohne komplexe mathematische Formeln bringt Ihnen dieses Sachbuch die grundlegenden Methoden, Anwendungen und Vorgehensweisen des Maschinellen Lernens und der Künstlichen Intelligenz näher. Lisa, die Protagonistin in diesem Buch, illustriert alle Themen anhand von Alltagssituationen. Dadurch erschließt sich Ihnen das Fachwissen, das bisher nur Experten vorbehalten war, einfach und leicht verständlich. Mit diesem Buch eignen Sie sich im Handumdrehen neues Wissen an, mit dem Sie innerhalb der Diskussion um Chancen und Risiken aktueller Entwicklungen garantiert punkten können.

Eine Einführung in die Prinzipien von KI und ML
Dieses Sachbuch setzt zunächst bei den Grundlagen der Künstlichen Intelligenz und des Maschinellen Lernens an. Hier werden u. a. folgende Fragen geklärt:Was sind Daten?Was sind Algorithmen?Was ist mit Regression gemeint?Wozu dienen Clusteranalysen?
Schwerpunktmäßig beschäftigt sich dieses Werk mit Bedeutung und Funktionsweise wichtiger Algorithmen des Maschinellen Lernens. Aufgeteilt in einzelne Kapitel, tauchen Sie so mit Hilfe vieler Abbildungen Schritt für Schritt tiefer in die Materie ein. Zudem bringen Ihnen die Autoren u. a. folgende Verfahren und Aspekte näher:k-MeansEntscheidungsbäumeVerzerrung-Varianz-DilemmaBig DataNeuronale Netze
Die gesamtgesellschaftliche Bedeutung im Blick
Daneben verliert dieses Sachbuch auch die gesellschaftliche Bedeutung von Künstlicher Intelligenz und Maschinellem Lernen nicht aus dem Blick. Lesen Sie mehr über Fragestellungen der Sicherheit und Ethik im Zusammenhang mit Künstlicher Intelligenz. All das macht dieses Werk zu einer Leseempfehlung für:Themeninteressierte, die verstehen möchten, was sich hinter den Schlagworten KI und ML verbirgt Entscheidungsträger aus Politik und WirtschaftSchülerinnen und Schüler, welche die Zukunft mitgestalten wollen

Inhaltsverzeichnis

Frontmatter

Grundlagen

Frontmatter

Kapitel 1. Einleitung

Lassen Sie uns loslegen!
Zusammenfassung
Lisa und ihr Mitbewohner Max entdecken Zeitungsartikel, in denen über künstliche Intelligenz berichtet wird. Sie werden neugierig, was es damit auf sich hat und beschließen, sich zum ersten Mal etwas genauer mit dem Thema auseinanderzusetzen. Maschinelles Lernen wird von künstlicher Intelligenz abgegrenzt und die benötigten Zutaten für maschinelles Lernen werden erklärt.
Jannik Kossen, Fabrizio Kuruc, Maike Elisa Müller

Kapitel 2. Algorithmen

Über die Kunst, Computer zu Problemlösern zu machen
Zusammenfassung
Lisa und ihre Freundin Jana benutzen ein Rezept, um Pfannkuchen zu backen. Danach besuchen sie ein Maislabyrinth und verwenden eine gewiefte Strategie, um den Ausgang zu finden. Lisa lernt, dass Handlungsvorschriften, wie sie in Backrezepten und Wegfindungsstrategien vorkommen, in der Informatik Algorithmen genannt werden und sowohl in Sprache als auch in Computercode aufgeschrieben werden können.
Nicolas Berberich

Kapitel 3. Maschinelles Lernen

Wie sich Computer an Probleme anpassen
Zusammenfassung
Für ein Naturschutzprojekt muss Lisa jede Menge Bienenbilder in Stapel nach den verschiedenen Bienenarten sortieren. Sie beauftragt damit ihre kleinen Brüder Leon und Lars. Für den jüngeren Leon legt Lisa die Stapel vorher fest, für Lars nicht. Hieran sehen wir, was einen Lernalgorithmus ausmacht und was der Unterschied zwischen überwachtem und unüberwachtem Lernen ist.
Michael Krause, Elena Natterer

Kapitel 4. Daten

Der unsichtbare Rohstoff
Zusammenfassung
Lisas Cousin Fred hat mit einigen Freunden ein Streaming-Start-up gegründet. Um Vorhersagen über die Filmvorlieben ihrer Abonnenten machen zu können, möchten die Jungunternehmer Methoden des maschinellen Lernens verwenden und benötigen dafür viele Daten. Was genau Daten sind und worauf man bei der Datensammlung und Datenaufbereitung achten sollte, schauen wir uns gemeinsam mit Lisa und Fred an.
Alexandros Gilch, Theresa Schüler

Kapitel 5. Regression

Voll im Trend
Zusammenfassung
Lisa entdeckt bei einem Waldspaziergang einen besonders großen Tatzenabdruck eines Tieres. Sie fragt sich, wie unglaublich schwer wohl das zugehörige Tier dazu sein mag. Dafür sammelt sie im Zoo Größen- und Gewichtsdaten von unterschiedlichen Tieren, denn sie möchte lernen, wie man aus der Tiergröße das Tiergewicht vorhersagt. Probleme dieser Art nennt man im maschinellen Lernen Regressionsprobleme. Lisa lernt, dass es verschiedene Arten gibt, diese zu lösen und wie einige von ihnen aussehen.
Jannik Kossen, Maike Elisa Müller

Kapitel 6. Klassifikation

Schubladendenken!
Zusammenfassung
Lisa will ihren Eltern im Möbelgeschäft beim Sortieren von Stühlen und Tischen helfen. Diese Arbeit möchte sie sich mit maschinellem Lernen erleichtern. Ein Algorithmus soll lernen, automatisch Stühle von Tischen zu unterscheiden. Dies entspricht der Problemstellung der Klassifikation, bei der man versucht Datenpunkte bestimmten Klassen zuzuordnen. Wie eine Klassifikation im maschinellen Lernen abläuft und was dabei zu beachten ist, erfährt Lisa in diesem Kapitel.
Jana Aberham, Jannik Kossen

Kapitel 7. Clusteranalyse

Gruppenzwang. Wer gehört wohin?
Zusammenfassung
Lisa schafft es nicht alle ihre Freunde für eine gemeinsame Aktivität zu begeistern. Sie befragt daher ihren Freundeskreis bezüglich ihrer Präferenzen zu sportlichen Aktivitäten und Aktivitäten zu Hause. Durch eine Clusteranalyse entdeckt sie die zwei Untergruppen „Sportskanonen“ und „Stubenhocker“.
Jana Aberham, Fabrizio Kuruc

Lernverfahren und mehr

Frontmatter

Kapitel 8. Lineare Regression

Einfach nur ein Strich?
Zusammenfassung
Lisa weiß immer noch nicht, wie schwer das Tier ist, dessen Fußabdruck sie in Kap. 5 entdeckt hat. Nun löst sie das Problem mit einer linearen Regression. Diese ist eine der grundlegendsten Methoden des maschinellen Lernens und hilft Lisa schlussendlich, abzuschätzen, wie schwer nun das Tier mit dem großen Fußabdruck ungefähr ist.
Jannik Kossen, Maike Elisa Müller

Kapitel 9. Ausreißer

Ausnahmen von der Regel
Zusammenfassung
Lisa schaut sich die Daten, die sie im Zoo gesammelt hat, noch einmal genauer an. Dabei fällt ihr ein extrem schweres Tier mit recht kleinem Fußabdruck auf: eine Giraffe. Dieser Messpunkt passt überhaupt nicht zu den anderen. Im maschinellen Lernen spricht man hier von einem Ausreißer. Lisa erfährt, was im Umgang mit Ausreißern zu beachten ist. An einem Beispiel von Daten der NASA sieht sie, wie gefährlich es sein kann, Ausreißer zu ignorieren.
Jannik Kossen, Maike Elisa Müller

Kapitel 10. k-Nächste-Nachbarn

Nachbarschaftshilfe mal anders
Zusammenfassung
Lisa hat einen Nebenjob in einem Bekleidungsgeschäft. Die Einteilung von Aushilfskräften gestaltet sich aufgrund täglich variierender Kundenzahlen jedoch schwierig. Durch den Vergleich mit ähnlichen, vergangenen Tagen kann Lisa die zukünftige Zahl der Kunden grob abschätzen und damit ihrer Chefin bei der Einteilung von Mitarbeitern helfen. Hierzu führt sie einen k-Nächste-Nachbarn-Klassifikator (engl. k-nearest-neighbors) ein.
Michael Neumann

Kapitel 11. k-Means-Algorithmus

Finde deine Mitte
Zusammenfassung
Lisa besucht ihren Onkel Prof. Rombledure, kippt dabei aber aus Versehen Papierstapel von dessen Schreibtisch und möchte die Dokumente wieder sortieren, also in Gruppen aufteilen. Dafür benutzt sie den k-Means-Algorithmus. Neben dem Einordnen der Texte stellt sie sich zudem die Frage, wie wichtig die Auswahl geeigneter Merkmale ist und was man überhaupt mit den so gefundenen Gruppen aussagen kann.
Dorothea Müller

Kapitel 12. Fluch der Dimensionalität

Kein echter Fluch – aber auch kein Segen
Zusammenfassung
Nach ihrem Abenteuer zur linearen Regression in Kap. 8 versucht Lisa neben der Tatzengröße auch die Abdrucktiefe als weitere Eigenschaft zur Bestimmung der Tiergröße hinzuzunehmen und bekommt es mit dem Fluch der Dimensionalität zu tun: Für jede weitere Eigenschaft, die Lisa pro Tier vermisst, müssen exponentiell mehr Daten gesammelt werden. Dies ist fast unmöglich und führt im schlimmsten Fall dazu, dass mehr Daten zu schlechteren Vorhersagen führen.
Jannik Kossen, Fabrizio Kuruc

Kapitel 13. Support Vector Machine

Immer schön Abstand halten
Zusammenfassung
Um die Tische und Stühle aus Kap. 6 voneinander zu unterscheiden, benutzt Lisa einen Klassifikationsalgorithmus. In diesem Kapitel wird sie erfahren, wie sie mithilfe der Support Vector Machine zwei Datenwolken möglichst gut voneinander trennen kann. Die Support Vector Machine versucht hierbei nicht nur irgendeine, sondern die beste Trennlinie zu finden.
Jana Aberham, Fabrizio Kuruc

Kapitel 14. Logistische Regression

Schubladendenken mit Wahrscheinlichkeiten
Zusammenfassung
Lisa absolviert ein Praktikum im Zoo und möchte ihren Mitbewohner Max und dessen kleine Nichte Ronja einladen, bei der Affenfütterung zuzusehen. Sie hat bemerkt, dass die Stimmung im Affengehege stark von der verfütterten Bananenmenge abhängt. Um sicherzustellen, dass Ronja bei ihrem Besuch im Zoo nur gut gelaunte Affen zu sehen bekommt, möchte Lisa anhand der Bananenmenge eine Vorhersage über das Verhalten der Affen treffen. Dazu benutzt sie die Methode der logistischen Regression. Dabei handelt es sich um ein Klassifikationsverfahren, mit dem sie die Wahrscheinlichkeiten für gut bzw. schlecht gelaunte Affen in Abhängigkeit von der Bananenmenge bestimmen kann.
Theresa Schüler

Kapitel 15. Entscheidungsbäume

Der Eisberg schwimmt nicht weit vorm Schiff
Zusammenfassung
Lisas Familie möchte gerne eine Kreuzfahrt machen, auf die Lisa wenig Lust hat. Um ihre Familie von dieser Idee abzubringen, schaut sie sich die Daten zum Untergang der Titanic an. Anhand dieser versucht sie, ihrem Vater Angst einzujagen. Mit Entscheidungsbäumen findet sie heraus, dass seine Überlebenschancen im Falle eines Unglücks nicht gerade gut stehen würden. Dazu stellt sie einfache Fragen mit Hilfe derer sie vorhersagt, ob ihre Verwandten im Falle eines Unglücks jeweils überleben würden oder nicht.
Jannik Kossen, Maike Elisa Müller, Max Ruckriegel

Kapitel 16. Verzerrung-Varianz-Dilemma

Voll daneben!
Zusammenfassung
Mit ihren Freunden geht Lisa gerne Dart spielen. Als begnadete Dartspielerin trifft sie stets die Mitte der Zielscheibe. Ihre Freunde hingegen sind weniger talentiert als sie und treffen nicht so gut. Auch wenn alle gerne so gut Dart spielen würden wie Lisa, ist dies in der Realität nur schwer zu erreichen. Im maschinellen Lernen ist dies ähnlich. Auch Modelle des maschinellen Lernens machen Fehler. Anders als bei Menschen kann man im maschinellen Lernen aber zumindest versuchen, zu beeinflussen, wie diese Fehler aussehen. Es gilt, einen guten Kompromiss zwischen der „Verzerrung“ und der „Varianz“ des Modells zu finden. Zum Glück hat Lisa Freunde, an denen sich diese Begriffe und ihre Beziehung zum maschinellen Lernen gut erklären lassen.
Jannik Kossen, Maike Elisa Müller

Kapitel 17. Hauptkomponentenanalyse

Die Reduzierung aufs Relevante
Zusammenfassung
Lisa möchte einen komplexen Datensatz einfach darstellen, ohne dabei viele Informationen zu verlieren. Dafür nutzt sie die Hauptkomponentenanalyse (engl. principal component analysis, PCA). Die PCA dient dazu, komplexe Datensätze zu vereinfachen und durch eine Reduktion der Vielzahl der Variablen die Daten „auf’s Wesentliche“ zu reduzieren. Dabei ergeben sich aus Kombinationen der vorherigen Variablen einige wenige Hauptkomponenten, aus denen der Inhalt des Datensatzes zu großen Teilen hervorgeht.
Christian Hölzer

Kapitel 18. Eine kurze Geschichte der künstlichen Intelligenz

Von Höhen und Tiefen
Zusammenfassung
Künstliche Intelligenz steht erst seit wenigen Jahren im Fokus der Öffentlichkeit. Das Forschungsfeld existiert jedoch schon seit mehreren Jahrzehnten – was ist also in der Zwischenzeit passiert? Dies ist eine Geschichte, die wesentlich von Rückschlägen und fehlenden Forschungsmitteln, aber auch von Hochphasen und Optimismus geprägt wurde.
Ina Kalder

Kapitel 19. Big Data

Viele Daten – viel Wissen?
Zusammenfassung
Big Data ist ein Marketingbegriff und es gibt keine einheitliche wissenschaftliche Definition. Wir erklären, was man unter Big Data versteht, und wie sich Big Data von Daten abgrenzt. Weiterhin zeigen wir Beispiele auf, bei denen Big Data in unserem Leben einen Unterschied gemacht hat. Zuletzt beschäftigen wir uns mit dem unheimlich großen Volumen von Datenmengen im heutigen Internet.
Christian Hölzer, Elena Natterer

Kapitel 20. Künstliche neuronale Netze

Ein Nachbau unseres Gehirns?
Zusammenfassung
Angetrieben durch ihr Faible für die Musikrichtung Metal möchte Lisa für ein anstehendes Konzert bestimmen, zu welchem Genre die gespielten Werke gehören. Dies möchte sie mithilfe ihres Kumpels Computer-Crack Constantin automatisieren. Constantin erklärt ihr daraufhin das Prinzip von künstlichen neuronalen Netzen. Zunächst wird der Lernvorgang am Beispiel vom kleinsten Baustein eines neuronalen Netzes, einem Perzeptron, illustriert. Nachfolgend erforschen beide dann den Aufbau und die flexible Struktur größerer Netze und schaffen es Popmusik von Metalmusik zu unterscheiden.
Leon Hetzel, Frederik Wangelik

Kapitel 21. Faltungsnetze

Neuronales Origami
Zusammenfassung
Lisa interessiert nun, wie man mit neuronalen Netzen Bilder erkennen kann. Dafür begibt sie sich zur Abwechslung mal nicht auf ein Abenteuer, sondern auf Literaturrecherche. Faltungsnetze sind eine Form neuronaler Netze, die besonders erfolgreich in der Bilderkennung eingesetzt werden. Was die Idee hinter Faltungsnetzen ist und wie diese aufgebaut sind, lernt Lisa in diesem Kapitel.
Jannik Kossen, Maike Elisa Müller

Kapitel 22. Gradientenabstiegsverfahren

Der steile Weg zu den besten Parametern
Zusammenfassung
Lisa merkt, wie aufwendig es ist, die Algorithmen richtig einzustellen, und sucht nach den perfekten Parametern. Ihr fällt auf, dass sie ein ähnliches Problem bei ihrer letzten Wanderung hatte, und entdeckt das Prinzip der Gradientenabstiegsverfahren.
Wolfgang Böttcher, Charlotte Bunne, Johannes von Stetten

Kapitel 23. No Free Lunch Theorem

Nichts ist umsonst
Zusammenfassung
Bei einem Mittagessen mit ihren Großeltern merkt Lisa, dass es kein perfektes Essen gibt. Je nach Präferenzen, Voraussetzungen und Gewohnheiten entscheiden sich Menschen für unterschiedliche Gerichte. Genauso verhält sich dies bei Algorithmen des maschinellen Lernens. Hier gibt es nicht per se den einen perfekten Algorithmus, sondern abhängig von den zur Verfügung stehenden Daten eignen sich einige Algorithmen besser als andere. Nichts im Leben ist gratis – und genauso wenig weiß man ohne jegliche Annahmen oder Untersuchungen welcher Algorithmus der beste für ein bestimmtes Problem ist!
Maike Elisa Müller

Kapitel 24. Bayesregel

Wie man aus altem Wissen Neues macht
Zusammenfassung
Was wir glauben, hängt sowohl von unserem Vorwissen und unseren Meinungen als auch von Erfahrungen und Beobachtungen ab. Wie man Vorwissen und Beobachtungen kombiniert, lernt Lisa bei einer Expedition in den Dschungel. Dasselbe Prinzip findet sie auch bei Filtern für Spam-Mails wieder.
Justin Fehrling, Michael Krause

Kapitel 25. Generative gegnerische Netzwerke

GANz fälschend echte Untertitel
Zusammenfassung
Angetrieben von ihrer Lieblingsserie kommen Lisa und Max auf die Idee, sich ihre nächste WG-Party zu finanzieren, indem sie Kunsthändlern erfolgreich gefälschte Gemälde verkaufen. Um dies zu erreichen, wollen sie Schritt für Schritt immer bessere Fälschungen produzieren. Basierend auf den Rückmeldungen der Händler verbessern sie ihre Fälschungen, bis ihnen schließlich die perfekte Fälschung gelingt. Max und Lisas Idee der perfekten Fälschung ähnelt den sogenannten generativen gegnerischen Netzwerken (engl. GANs). In diesen treten zwei neuronale Netze gegeneinander an und verbessern sich im gegenseitigen Wettbewerb.
Jannik Kossen, Maike Elisa Müller

Kapitel 26. Verstärkendes Lernen

Mit Lob und Tadel zu klugen Computern
Zusammenfassung
Einen jungen Hundewelpen als Haustier zu besitzen, mag sich im ersten Moment für viele Tierliebhaber verlockend anhören. Doch wie gestaltet man die Erziehung eines solchen jungen Tieres? In diesem Kapitel geht Lisa dieser Frage nach und erfährt, dass das jeweilige Frauchen oder Herrchen oft auf Belohnung und Bestrafung zurückgreift, um den Hund zu einem gewünschten Verhalten zu erziehen. Über einen längeren Zeitraum betrachtet, wird der junge Welpe auf seinem Weg zum ausgewachsenen Hund so das Verhalten erlernen, das zur größtmöglichen Belohnung führt. Diesen Prozess nennt man auch verstärkendes Lernen (engl. reinforcement learning), dessen Grundzüge in diesem Kapitel erläutert werden.
Thomas Herrmann, Lars Frederik Peiss

Künstliche Intelligenz und Gesellschaft

Frontmatter

Kapitel 27. Über die Mystifizierung von KI

Warum heißt Lisa eigentlich „Lisa“?
Zusammenfassung
Hier erklären wir, warum Lisa eigentlich Lisa heißt: Der Name „Lisa“ ist ein Bezug auf das Computerprogramm „ELIZA“ von Joseph Weizenbaum. Dabei handelte es sich um ein Computerprogramm aus den 1960er Jahren, welches mit Menschen in stark eingeschränkter Weise einen Dialog führen konnte.
Nicolas Berberich, Christian Hölzer

Kapitel 28. Künstliche Intelligenz und Sicherheit

Wie ein Roboter im Porzellanladen
Zusammenfassung
Düstere Szenarien, wie sich künstliche Intelligenz auf unseren Alltag auswirken könnte, sind in aller Munde. Doch wie realistisch sind diese Zukunftsvisionen? Was sind tatsächlich konkrete Probleme, mit denen man sich beschäftigen muss? Am Beispiel eines Putzroboters wird Lisa mit den Herausforderungen von sicherer künstlicher Intelligenz konfrontiert.
Nicolas Berberich, Ina Kalder

Kapitel 29. Künstliche Intelligenz und Ethik

KI oder nicht KI? Das ist hier nicht die Frage
Zusammenfassung
Künstliche Intelligenz kann dazu beitragen, dass Menschen ein gutes Leben führen können. Dafür muss sie mit ethischer Reflexion verbunden werden. Das Gebiet der Maschinenethik versucht, intelligente Systeme zu befähigen, moralische Entscheidungen zu treffen. Die Technikethik der KI hingegen fokussiert sich darauf, möglichst viele verschiedene Menschen an der Gestaltung der KI-Technologie teilhaben zu lassen und deren systemische Auswirkungen zu untersuchen – insbesondere in Bezug auf Transparenz, Erklärbarkeit, Fairness und Verantwortung.
Nicolas Berberich

Kapitel 30. Schlusswort

Wie wir maschinelles Lernen gelernt haben
Zusammenfassung
Lisa und Max reflektieren die Erkenntnisse, die sie in den letzten Wochen über maschinelles Lernen gesammelt haben. Von grundlegenden Begriffen über Methoden des maschinellen Lernens zu ethischen Aspekten war einiges dabei und die beiden freuen sich, in Zukunft kräftig über künstliche Intelligenz mitzudiskutieren.
Jannik Kossen, Maike Elisa Müller, Elena Natterer
Weitere Informationen

Premium Partner

    Bildnachweise