Intelligente Lernende Systeme von Andreas Knoblauch

Dieses Buch gibt eine fundierte aber behutsame Einführung in das Gebiet des Maschinellen Lernens und der modernen Künstlichen Intelligenz. Für ein tiefes theoretisches Verständnis werden alle wichtigen Verfahren gründlich und vollständig hergeleitet. Um den Zugang zu erleichtern sind alle notwendigen Mathematik-Grundlagen übersichtlich in Anhängen zusammengefasst, die zudem punktgenau auf Standard-Lehrbücher verweisen. Daneben enthält es viele praktische Beispiele zur Implementierung und Anwendung der Verfahren in der Programmiersprache Python unter Verwendung moderner Softwarebibliotheken wie NumPy, Scikit-Learn, PyTorch, Tensorflow und Keras. Das erworbene Wissen kann in vielen theoretischen und praktischen Übungsaufgaben überprüft und erweitert werden, wobei alle Musterlösungen online zur Verfügung stehen. 

Die Zielgruppen

• Studierende im Bereich Maschinelles Lernen, Künstliche Intelligenz, Data Science und Informatik an Hochschulen und Universitäten. Forschende und Anwender im Akademischen und Industriellen Bereich.

Der Inhalt

• Überblick Künstliche Intelligenz (KI): Geschichte und Verfahren
• Philosophische und ethische Aspekte der KI
• Grundlagen Maschinelles Lernen: Überwacht, unüberwacht, Reinforcement
• Baum-basierte, nicht-parametrische und kombinierte Lernverfahren
• Lineare Modelle für Regression, Klassifikation und Merkmalsextraktion
• Nichtlineare Modelle, Funktionsgraphen und Backpropagation-Algorithmus
• Neuronale Netze: Vorwärtsgerichtet und rekurrent
• Kernel-Methoden: Duale Darstellung, Kernel-Trick, SVM, RBF-Netze
• Deep Learning: Einführung, Methoden und Probleme
• Deep Neural Networks (DNN) und Deep Reinforcement Learning
• DNN für Detektion und Semantische Segmentierung
• Generative KI: Autoencoder, GAN, Diffusions-Modelle
• Attention, Transformer-Architektur, Large Language Models
• Allgemeine KI, Erklärbare KI und Maschinenbewusstsein