Ihr Guide für die eigene RAG-Anwendung! Freuen Sie sich auf einen umfassenden Einstieg in die Welt der Generativen KI mit Python. Dieses Buch deckt Schlüsselkonzepte wie Large Language Models (LLMs), LangChain, Vektor-Datenbanken und Retrieval-Augmented-Generation (RAG) ab. Sie lernen die Grundlagen des Prompt Engineering kennen und erfahren, wie Sie Agentensysteme entwickeln und deployen.
Von der Idee zur KI-Anwendung – praxisnah und fundiert
KI-Projekte umsetzen, verstehen und erweitern
Dieses Buch vermittelt praxisnah, wie eigene KI-Projekte mit Python entstehen – ohne mathematische Hürden oder Vorwissen in KI. Es richtet sich an alle, die maschinelles Lernen, neuronale Netze oder generative KI ausprobieren möchten und bereitet den Weg von der ersten Klassifikation bis hin zur Text-, Musik- oder Bildgenerierung.
Der ideale Python-Einstieg für Informatikstudium, Ausbildung und Beruf - Ausgabe 2024
Neu in dieser Auflage: Pair Programming mit ChatGPT und Python in Excel
Diese Python-Einführung konzentriert sich auf das Wesentliche: Sie erfahren, wie Sie die Sprache in eigenen Projekten einsetzen, und lernen alle Grundlagen kennen:
Wer eilt so schnell durch RAM und ROM, es ist ein Bit aus Elektron. ChatGPT kann daraus den "Erlkönig" herleiten, und auch beantworten, was ein "Erlkönig" für einen Autofan ist. Es geht im Buch aber nicht nur um den bekanntesten „Generative Pretrained Transformer“, der zusammen mit dessen Kommunikationsteil als ChatGPT bezeichnet wird. Vielmehr darum, wie Sie ChatGPT und weitere KI-Tools wie Perplexity so einsetzen können, daß ein maximaler Nutzen für Sie dabei entsteht.
Nutzen Sie die Leistungsfähigkeit von Large Language Models für wirklich innovative Anwendungen!
Der US-Bestseller jetzt in deutscher Übersetzung: »Python für Excel« schlägt die dringend benötigte Brücke zwischen zwei Datenanalyse-Welten Für fortgeschrittene Excel-Nutzer, die sich ihre Arbeit durch Python-Tools erleichtern wollen Die Python-Grundlagen sowie die Tools numpy and pandas werden gut verständlich erklärt
Excel ist nach wie vor ein unverzichtbares Analysetool und hat in den letzten Jahren viele neue Funktionen hinzubekommen, doch die Automatisierungssprache VBA hat sich nicht parallel weiterentwickelt. Viele Excel-Poweruser nutzen daher bereits Python, um Routinearbeiten zu automatisieren. Felix Zumstein zeigt in diesem praktischen Leitfaden erfahrenen Excel-Benutzerinnen und -Benutzern, wie sich Python als Skriptsprache für Excel effizient verwenden lässt.
Mehr als 100 Aufgaben und Lösungen für Python. Verschiedener Schwierigkeitsgrade für Einsteiger und Fortgeschrittene. Vorbereitung für Jobinterview und Prüfung. Mit 100 Übungsaufgaben und Programmierpuzzles inklusive Lösungen zum Knobeln und Erweitern Ihrer Kenntnisse bietet Ihnen die »Python Challenge« ein kurzweiliges Lernen, eine fundierte Vorbereitung auf die nächste Prüfung oder ein Jobinterview. Dabei werden viele praxisrelevante Themengebiete wie Strings, Datenstrukturen, Rekursion, Arrays usw. berücksichtigt. Jedes Themengebiet wird in einem eigenen Kapitel behandelt, wobei zunächst kurz auf die Grundlagen eingegangen wird. Danach folgen rund 10 bis 15 Übungsaufgaben verschiedener Schwierigkeitsgrade. So lassen sich die Python-Programmierkenntnisse effektiv verbessern. Dabei helfen insbesondere detaillierte Musterlösungen inklusive der genutzten Algorithmen zu allen Aufgaben.
Maschinelles Lernen ist ein interdisziplinäres Fach, das die Bereiche Informatik, Mathematik und das jeweilige Anwendungsgebiet zusammenführt. In diesem Buch werden alle drei Teilgebiete gleichermaßen berücksichtigt:
- Algorithmen des maschinellen Lernens verwenden und verstehen, wie und warum sie funktionieren.
- Kickstart zur Verwendung von Python 3 und seinem Ökosystem im Umfeld des maschinellen Lernens.
- Verschiedene Methoden des überwachten, unüberwachten und bestärkenden Lernens, u.a. Random Forest, DBSCAN und Q-Learning.
Die Algorithmen werden zum besseren Verständnis und praktischen Einsatz anschaulich mittels NumPy und SciPy umgesetzt. Für die Support Vector Machines und das Deep Learning wird auf scikit-learn bzw. Keras zurückgegriffen.
- 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.
