Grundlagen der Künstlichen Intelligenz - Eine nichttechnische Einführung
von: Tom Taulli
Springer-Verlag, 2023
ISBN: 9783662662830
Sprache: Deutsch
222 Seiten, Download: 4997 KB
Format: PDF, auch als Online-Lesen
Wieder verfügbar ab: 26.12.2024 11:52
| Vorwort | 4 | ||
| Inhaltsverzeichnis | 7 | ||
| Über den Autor | 11 | ||
| Einführung | 12 | ||
| Begleitendes Material | 16 | ||
| Kapitel1: KI-Grundlagen | 17 | ||
| Alan Turing und der Turing-Test | 18 | ||
| Das Gehirn ist eine … Maschine? | 21 | ||
| Kybernetik | 22 | ||
| Die Entstehungsgeschichte | 22 | ||
| Goldenes Zeitalter der KI | 24 | ||
| KI-Winter | 28 | ||
| Aufstieg und Fall der Expertensysteme | 30 | ||
| Neuronale Netze und Deep Learning | 31 | ||
| Technologische Triebkräfte der modernen KI | 33 | ||
| Struktur von KI | 33 | ||
| Schlussfolgerung | 34 | ||
| Wichtigste Erkenntnisse | 34 | ||
| Kapitel 2: Daten | 36 | ||
| Daten-Grundlagen | 37 | ||
| Arten von Daten | 38 | ||
| Big Data | 40 | ||
| Volume | 41 | ||
| Variety | 41 | ||
| Velocity | 41 | ||
| Datenbanken und andere Tools | 42 | ||
| Datenprozess | 46 | ||
| Schritt 1 – Geschäftsverständnis | 48 | ||
| Schritt 2 – Datenverständnis | 50 | ||
| Schritt 3 – Vorbereitung der Daten | 51 | ||
| Ethik und Governance | 53 | ||
| Wie viele Daten brauchen Sie für KI? | 55 | ||
| Weitere Datenbegriffe und -konzepte | 55 | ||
| Schlussfolgerung | 57 | ||
| Wichtigste Erkenntnisse | 57 | ||
| Kapitel 3: Maschinelles Lernen | 59 | ||
| Was ist maschinelles Lernen? | 61 | ||
| Standardabweichung | 63 | ||
| Die Normalverteilung | 63 | ||
| Bayes-Theorem | 64 | ||
| Korrelation | 65 | ||
| Merkmalsextraktion | 66 | ||
| Was können Sie mit maschinellem Lernen erreichen? | 67 | ||
| Der Prozess des maschinellen Lernens | 70 | ||
| Schritt 1 – Datenreihenfolge | 70 | ||
| Schritt 2 – Auswahl des Modells | 70 | ||
| Schritt 3 – Training des Modells | 70 | ||
| Schritt 4 – Bewertung des Modells | 71 | ||
| Schritt 5 – Feinabstimmung des Modells | 71 | ||
| Anwendung von Algorithmen | 71 | ||
| Überwachtes Lernen | 72 | ||
| Unüberwachtes Lernen | 73 | ||
| Verstärkendes Lernen | 75 | ||
| Teilüberwachtes Lernen | 76 | ||
| Gängige Arten von Algorithmen für maschinelles Lernen | 76 | ||
| Naiver Bayes-Klassifikator (Überwachtes Lernen/Klassifizierung) | 77 | ||
| k-Nearest Neighbor (Überwachtes Lernen/Klassifizierung) | 80 | ||
| Lineare Regression (Überwachtes Lernen/Regression) | 80 | ||
| Entscheidungsbaum (Überwachtes Lernen/Regression) | 82 | ||
| Ensemble-Modellierung (Überwachtes Lernen/Regression) | 83 | ||
| k-Means-Clustering (Unüberwacht/Clustering) | 85 | ||
| Schlussfolgerung | 88 | ||
| Wichtigste Erkenntnisse | 89 | ||
| Kapitel 4: Deep Learning | 92 | ||
| Der Unterschied zwischen Deep Learning und maschinellem Lernen | 93 | ||
| Was ist Deep Learning? | 94 | ||
| Das Gehirn und Deep Learning | 95 | ||
| Künstliche neuronale Netze (Artificial Neural Networks, ANNs) | 96 | ||
| Backpropagation | 98 | ||
| Die verschiedenen neuronalen Netze | 99 | ||
| Rekurrentes neuronales Netz (RNN) | 100 | ||
| Convolutional Neural Network (CNN) | 101 | ||
| Generative Adversarial Network (GAN) | 102 | ||
| Deep-Learning-Anwendungen | 104 | ||
| Anwendungsfall: Erkennung der Alzheimer-Krankheit | 104 | ||
| Anwendungsfall: Energie | 105 | ||
| Anwendungsfall: Erdbeben | 106 | ||
| Anwendungsfall: Radiologie | 107 | ||
| Deep-Learning-Hardware | 107 | ||
| Wann sollte man Deep Learning einsetzen? | 109 | ||
| Nachteile von Deep Learning | 111 | ||
| Schlussfolgerung | 114 | ||
| Wichtigste Erkenntnisse | 114 | ||
| Kapitel 5: Robotic Process Automation (RPA) | 116 | ||
| Was ist RPA? | 118 | ||
| Vor- und Nachteile von RPA | 119 | ||
| Was können Sie von RPA erwarten? | 121 | ||
| Wie man RPA implementiert | 123 | ||
| Bestimmung der richtigen zu automatisierenden Funktionen | 123 | ||
| Bewertung der Prozesse | 124 | ||
| Auswahl des RPA-Anbietenden und Einsatz der Software | 125 | ||
| Einrichten eines Teams für die Verwaltung der RPA-Plattform | 125 | ||
| RPA und KI | 126 | ||
| RPA in der realen Welt | 127 | ||
| Schlussfolgerung | 128 | ||
| Wichtigste Erkenntnisse | 128 | ||
| Kapitel 6: Natural Language Processing (NLP) | 130 | ||
| Die Herausforderungen des NLP | 132 | ||
| Verstehen, wie KI Sprache übersetzt | 133 | ||
| Schritt 1 – Bereinigung und Vorverarbeitung | 134 | ||
| Tokenisierung | 134 | ||
| Stemming | 135 | ||
| Lemmatisierung | 136 | ||
| Schritt 2 – Sprache verstehen und generieren | 137 | ||
| Spracherkennung | 138 | ||
| NLP in der realen Welt | 139 | ||
| Anwendungsfall: Verbesserung der Verkäufe | 140 | ||
| Anwendungsfall: Bekämpfung von Depressionen | 141 | ||
| Anwendungsfall: Erstellung von Inhalten | 141 | ||
| Anwendungsfall: Körpersprache | 143 | ||
| Voice Commerce | 144 | ||
| Virtuelle Assistenten | 146 | ||
| Chatbots | 148 | ||
| Zukunft des NLP | 152 | ||
| Schlussfolgerung | 152 | ||
| Wichtigste Erkenntnisse | 153 | ||
| Kapitel 7: Physische Roboter | 154 | ||
| Was ist ein Roboter? | 155 | ||
| Industrielle und kommerzielle Roboter | 158 | ||
| Roboter in der realen Welt | 163 | ||
| Anwendungsfall: Sicherheit | 163 | ||
| Anwendungsfall: Roboter, die Böden schrubben | 164 | ||
| Anwendungsfall: Online-Apotheke | 164 | ||
| Anwendungsfall: Roboter-Wissenschaftler | 165 | ||
| Humanoide und Haushaltsroboter | 166 | ||
| Die Drei Gesetze der Robotik | 167 | ||
| Cybersecurity und Roboter | 168 | ||
| Programmierung von Robotern für KI | 169 | ||
| Die Zukunft von Robotern | 171 | ||
| Schlussfolgerung | 172 | ||
| Wichtigste Erkenntnisse | 172 | ||
| Kapitel 8: Implementierung von KI | 174 | ||
| Ansätze zur Implementierung von KI | 175 | ||
| Die Schritte zur KI-Implementierung | 178 | ||
| Identifikation eines zu lösenden Problems | 178 | ||
| Zusammenstellung des Teams | 181 | ||
| Die richtigen Tools und Plattformen | 182 | ||
| Python-Sprache | 183 | ||
| KI-Frameworks | 184 | ||
| Einsatz und Überwachung des KI-Systems | 189 | ||
| Schlussfolgerung | 190 | ||
| Wichtigste Erkenntnisse | 191 | ||
| Kapitel 9: Die Zukunft der KI | 193 | ||
| Autonome Autos | 195 | ||
| USA gegen China | 199 | ||
| Technologische Arbeitslosigkeit | 201 | ||
| Die Nutzung der KI als Waffe | 203 | ||
| Entdeckung von Medikamenten | 204 | ||
| Regierung | 206 | ||
| Künstliche Allgemeine Intelligenz (Artificial General Intelligence, AGI) | 207 | ||
| Soziales Wohl | 209 | ||
| Schlussfolgerung | 209 | ||
| Wichtigste Erkenntnisse | 210 | ||
| Anhang AKI-Ressourcen | 212 | ||
| Publikationen und Blogs, die über KI berichten | 212 | ||
| Blogs von Unternehmen zu KI | 212 | ||
| Twitter-Feeds von Top-KI-Forschenden | 213 | ||
| Open-Source-KI-Tools und -Plattformen | 213 | ||
| Online-Kurse | 213 | ||
| Anhang BGlossar | 214 |