book

Künstliche Intelligenz kapieren und programmieren - Visuell lernen und verstehen mit Illustrationen und Projekten zum Experimentieren

by Michael Weigend

September 2023

Intermediate to advanced

272 pages

6h 36m

German

mitp Verlag

Read now

Unlock full access

1.1 Was ist künstliche Intelligenz?1.2 Chatbots1.3 Vorbereitung: Python installieren1.4 Projekt: Mini-Eliza‌‌1.4.1 Schritt 1: Auf eine Eingabe reagieren1.4.2 Schritt 2: Mehr Intelligenz durch verschachtelte if-else-Anweisungen1.4.3 Schritt 3: Mit elif‌ die technische Qualität verbessern1.4.4 Schritt 4: Von der einfachen Reaktion zum Gespräch1.4.5 Schritt 5: Jetzt kommt der Zufall‌ ins Spiel1.4.6 Fazit1.5 Lernende Programme‌ (Entscheidungsbäume)1.6 Trainingscamp: Programmieren mit Listen‌1.6.1 Station 1: Indizes1.6.2 Station 2: Listen verarbeiten1.6.3 Station 3: Mit einer Liste von Tupeln modellieren1.7 ‌‌Projekt: An wen denkst du?1.7.1 Schritt 1: Vorbereitung1.7.2 Schritt 2: Interaktion1.7.3 Schritt 3: Schluss1.7.4 Fazit1.8 Subsymbolische KI‌‌ – Machine Learning1.8.1 Die Grenzen symbolischer Intelligenz: Beispiel Verkehrsschilder1.8.2 Drei Arten des Machine Learnings1.8.3 Wie werden Verkehrszeichen erkannt?1.9 Projekt‌: k-Means‌-Clustering1.9.1 Schritt 1: Vorbereitung1.9.2 Schritt 2: Clustern1.9.3 Fazit1.10 Rückblick
2.1 Lernen durch Erfahrung: Wie lernt man Murmeln‌?2.2 Projekt‌: Ein klassischer Währungsrechner‌2.3 Was ist eine lineare Beziehung‌?2.4 Lernen durch Beobachten‌2.5 Projekt‌: Ein Währungsrechner‌, der lernen kann2.6 Trainingscamp: Daten‌ visualisieren2.6.1 Station 1: Ein Diagramm‌ erstellen2.6.2 Station 2: Linienformate und Achsenbeschriftung2.6.3 Station 3: Die range()‌-Funktion verwenden2.6.4 Station 4: List Comprehensions‌2.6.5 Station 5: Mehrere Kurven in einem Koordinatensystem2.7 Daten‌ professionell auswerten: Lineare Regression‌2.8 Rückblick
3.1 Bilddaten auswerten: Von Menschen und Hunden3.2 Etikettierte Daten‌ (Labeled Data‌)3.3 Mit etikettierten Daten lernen3.3.1 Lernschritt 13.3.2 Lernschritt 23.3.3 Lernschritt 33.4 Moderation‌: Gemäßigte Änderungen3.5 Projekt‌: Ein lernfähiges Vorhersageprogramm‌3.5.1 Schritt 1: Vorbereitung3.5.2 Schritt 2: Training3.5.3 Schritt 3: Vorhersagen3.6 Hintergrund: Linear separierbare Daten‌‌3.7 Noch etwas Programmiertechnik: Daten‌ laden und speichern‌3.7.1 Eine Textdatei lesen und ausgeben3.7.2 Einen String‌ aufspalten3.8 Rückblick
4.1 Neuronale Netze in der Natur4.2 Feuern! Das Alles-oder-nichts-Prinzip4.3 Künstliche Gehirne4.4 Ein Gehirn ist kein Computer4.5 Projekt: Reaktionstest‌‌ – Ein Blick ins eigene Nervensystem4.6 Künstliche neuronale Netze4.7 Die Anfänge: Das Perzeptron‌ von Frank Rosenblatt4.8 Logische Operationen4.9 Ein Perzeptron‌ für logische Operationen4.10 Training‌4.11 Projekt‌: Ein Rosenblatt-Perzeptron‌4.11.1 Programmteil 1: Vorbereitung4.11.2 Programmteil 2: Definition der Funktion vorhersehen()4.11.3 Programmteil 3: Definition der Funktion trainieren()4.11.4 Programmteil 4: Das Hauptprogramm4.12 Die Grenzen des einlagigen Perzeptrons‌: Das XOR‌-Problem4.13 Rückblick
5.1 Eine bessere Aktivierungsfunktion‌: Die Sigmoid-Funktion5.2 Projekt: Eine Wertetabelle für die Sigmoid-Funktion‌5.3 Die Ableitung der Sigmoid-Funktion5.4 Projekt: Die Sigmoid-Funktion als Aktivierungsfunktion für das ODER-Perzeptron‌5.5 Verborgene Knoten und die Grundideen der Error Backpropagation‌5.5.1 Vom Wandern in den Bergen: Das Gradientenverfahren5.5.2 Partielle Ableitung‌5.5.3 Anwendung des Gradientenverfahrens und Error Backpropagation5.5.4 Die Änderung eines Gewichts bei einem Trainingsschritt5.5.5 Aktualisierung der übrigen Gewichte5.6 Projekt‌: Ein neuronales Netz, das das XOR-Problem löst‌5.6.1 Programmteil 1: Vorbereitung5.6.2 Programmteil 2: Die Funktion vorhersagen()5.6.3 Programmteil 3: Definition der Funktion trainieren()5.6.4 Programmteil 4: Zufällige Trainingsdaten‌ erzeugen5.6.5 Programmteil 5: Training5.6.6 Programmteil 6: Testen‌5.7 Projekt‌: Gurke oder Apfel?5.7.1 Programm 1: Trainingsdaten erzeugen5.7.2 Programm 2: Das neuronale Netz5.8 Rückblick
6.1 Was sind Vektoren‌ und Matrizen‌?6.2 Trainingscamp: NumPy‌6.2.1 Vorbereitung6.2.2 Station 1: Arrays‌ erzeugen6.2.3 Station 2: Operationen mit Arrays‌ und Skalaren6.2.4 Station 3: Operationen mit zwei Arrays6.2.5 Station 4: Die Form eines Arrays‌ verändern6.2.6 Station 5: Matrizenmultiplikation mit dot()6.2.7 Station 6: Zufallsarrays‌‌6.2.8 Station 7: Elemente eines Arrays verarbeiten6.2.9 Station 8: Auf Elemente eines Arrays zugreifen6.3 Mit Arrays die Programmierung vereinfachen6.3.1 Programmteil 1: Vorbereitung6.3.2 Programmteil 2: Die Funktion vorhersagen(i)6.3.3 Programmteil 3: Definition der Funktion trainieren()6.3.4 Programmteil 4: Training6.4 Projekt: Ziffern erkennen‌6.4.1 Trainings- und Testdaten6.4.2 Eine Ziffer auf dem Bildschirm darstellen6.4.3 Aufbau des neuronalen Netzes6.4.4 Programmierung des neuronalen Netzes6.5 Rückblick
7.1 Fotolabor: Bilder verarbeiten mit der Python Imaging Library‌ (PIL‌)7.1.1 Vorbereitung7.1.2 Experiment 1: Ein Bild laden und auf dem Bildschirm darstellen7.1.3 Experiment 2: Attribute eines Image-Objekts ausgeben7.1.4 Experiment 3: Die Größe eines Bilds ändern7.1.5 Experiment 4: Ein Bild in eine Liste überführen7.1.6 Experiment 5: Aus einem ‌Farbbild ein Graustufenbild gewinnen7.2 Projekt‌: Ziffern auf eigenen Bildern erkennen7.2.1 Vorbereitung7.2.2 Gewichte speichern7.2.3 Das vortrainierte neuronale Netz nutzen7.3 Projekt‌: Mit der Kamera Gesten erkennen7.3.1 Vorbereitung7.3.2 Die Kamera ausprobieren7.3.3 Die Programmierung7.4 Rückblick
8.1 Computer Vision8.2 Neuronale Netze mit PyTorch8.3 KI mit Google Colaboratory

Ableitung‌Ableitung einer konstanten FunktionAbleitung einer quadratischen FunktionAktivierungsfunktion‌Baum‌Benchmark‌Del-Symbol ∂Delta‌ ΔDifferenzialquotientFehlerfunktionFunktion (Mathematik)Funktion (Programmierung)Gleichgerichtete Lineareinheit – ReLU‌GleichverteilungGradientGraph (Graphentheorie)Graph einer FunktionKettenregel‌Knoten‌ eines künstlichen neuronalen NetzesKünstliches neuronales NetzMatrixLineare Funktion‌Lineare Separierbarkeit‌Neuron‌Neuronales NetzPartielle AbleitungSigmoid-FunktionSpaltenvektorSteigungSummenregel‌tanh‌-FunktionTargetTransponierte MatrixXOR-ProblemZeilenvektor

Content preview from Künstliche Intelligenz kapieren und programmieren - Visuell lernen und verstehen mit Illustrationen und Projekten zum Experimentieren

Anhang: Mathematisches Wörterbuch für KI

Ableitung‌

Die Ableitung der Funktion f(x) ist eine Funktion f'(x), die für jede Stelle x die Steigung der Funktion angibt. Die Ableitung kann auch als Differenzialquotient beschrieben werden:

[Bild]