Maschinelles Lernen (Thema)

[term:name] ([term:vocabulary]) abonnieren

Die philosophische Antwort auf die Herausforderung der Künstlichen Intelligenz.
Um herauszufinden, wie es um die Zukunft im Zeitalter der Künstlichen Intelligenz steht, begibt sich Gaspard Koenig auf eine Weltreise. In mehr als 120 Gesprächen mit Wissenschaftlern, Politikern, Unternehmern, Investoren, Aktivisten und einem Zauberer lotet er die künstliche und die menschliche Intelligenz aus. Er erforscht, was den freien Willen und die Werte der Aufklärung bedroht, und skizziert eine Politik, die dem Ende des Individuums begegnen kann.

Wer nutzt heute noch einen Stadtplan, anstatt Google Maps? Dabei denken wir nicht daran, dass die KI hinter der App uns zum Wohle aller nicht immer auf den schnellsten Weg führt. KI kann süchtig machen und uns manipulieren. Ausgehend von unseren Daten analysiert sie unser Verhalten, personalisiert Empfehlungen, lenkt unsere Aufmerksamkeit. Klingt gruselig, ist aber längst Teil unseres Alltags.

- Konzepte Schritt für Schritt erklärt
- Die Eigenarten von Zeitreihendaten verstehen: Zeitfenster zum Anlernen einsetzen; mit latenten, saisonalen und Trend-Komponenten arbeiten
- Anleitungen zur Umsetzung in Python mit ausführlichen Code-Kommentaren
- Mit TensorFlow2 Deep-Learning-Verfahren zur Prognose aufbauen, anlernen und produktiv einsetzen

Daten über Vorgänge werden in der verarbeitenden Industrie, der Logistik oder im Finanzsektor im Sekundentakt aufgezeichnet: der Verlauf eines Aktienkurses, die Verkaufszahlen eines Produkts, die Sensordaten einer Turbine. Solche Daten informieren nicht nur über isolierte Zustände; sie sind wie Filme, die den Verlauf eines Vorgangs mit einer Serie einzelner Bilder nachzeichnen. Intelligente Algorithmen können die Muster dieser Verläufe analysieren, sie anlernen und über das Beobachtungsfenster hinaus fortschreiben: Zustände in der Zukunft werden prognostizierbar.

- Umfassender Überblick über die verschiedenen Anwendungsfelder von Data Science
- Fallbeispiele aus der Praxis machen die beschriebenen Konzepte greifbar
- Vermittelt das notwendige Wissen, um einfache Datenanalyse-Projekte durchzuführen

Dieses Buch bietet Ihnen einen Überblick über die verschiedenen Aspekte von Data Science und beschreibt, welchen Wert Sie in einer Big Data-Umgebung aus Daten generieren. So können z. B. Unternehmen auf Basis analysierter Daten schneller Entscheidungen treffen, Kosten reduzieren oder neue Märkte erschließen.

Python-Programmierer finden in diesem Kochbuch nahezu 200 wertvolle und jeweils in sich abgeschlossene Anleitungen zu Aufgabenstellungen aus dem Bereich des Machine Learning, wie sie für die tägliche Arbeit typisch sind - von der Vorverarbeitung der Daten bis zum Deep Learning.

Entwickler, die mit Python und seinen Bibliotheken einschließlich Pandas und Scikit-Learn vertraut sind, werden spezifische Probleme erfolgreich bewältigen - wie etwa Daten laden, Text und numerische Daten behandeln, Modelle auswählen, Dimensionalität reduzieren und vieles mehr.

Jedes Rezept enthält Code, den Sie kopieren, zum Testen in eine kleine Beispieldatenmenge einfügen und dann anpassen können, um Ihre eigenen Anwendungen zu konstruieren.

Die Merkmalskonstruktion, auch Feature Engineering genannt, ist ein entscheidender Arbeitsschritt bei der Datenaufbereitung für das maschinelle Lernen, der die Leistung der Modelle stark beeinflusst. In diesem praxisnahen Buch lernen Sie Techniken, um Merkmale - numerische Repräsentationen eines bestimmten Aspekts von Rohdaten - zu gewinnen und mit maschinellen Lernmodellen nutzbar zu machen. Jedes Kapitel führt Sie durch eine spezifische Aufgabe der Datenanalyse wie etwa die Darstellung von Text- oder Bilddaten. Diese Beispiele veranschaulichen die wichtigsten Prinzipien der Merkmalskonstruktion.