Vorwort

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com

Künstliche Intelligenz (KI) kann als das weite Feld der Forschung definiert werden, in dem Computer Intelligenz zeigen. Die Formulierung "Intelligenz zeigen" ist vage; sie könnte so interpretiert werden, dass ein Computer eine Entscheidung trifft, die wir von einem Lebewesen erwarten würden. Das Konzept der KI gibt es schon seit der Antike, zumindest in der Mythologie. Ein berühmtes Beispiel dafür ist der griechische Mythos von Talos, einem bronzenen Automaten, der Europa vor Eindringlingen schützen sollte, die sie entführen wollten. Im Laufe der Jahrhunderte gelangten die Grundformen der KI aus dem Reich der Mythen in die Realität.

In der heutigen Zeit hat die KI ihre Heimat in der Erweiterung menschlicher Fähigkeiten und der Automatisierung von Entscheidungsfindungen und anderen Prozessen gefunden, die für Menschen zeitaufwändig sind. Ein Beispiel für moderne KI sind Expertensysteme, die erstmals in den 1970er Jahren entwickelt wurden. Ein Expertensystem nutzt eine Wissensbasis, eine Sammlung von Fakten und Regeln, und ein Inferenzsystem, um neues Wissen zu synthetisieren. Der größte Nachteil eines Expertensystems ist, dass es die Zeit und den Aufwand von Fachleuten benötigt, um die Fakten und Regeln für die Wissensbasis zu erstellen.

In den letzten Jahrzehnten ist eine andere Form der KI immer allgegenwärtiger geworden. Maschinelles Lernen (ML) ist die Disziplin, bei der Computer Algorithmen aus den zur Verfügung gestellten Daten lernen, anstatt dass der Programmierer die Algorithmen bereitstellen muss. Im Gegensatz zu Expertensystemen geht es beim maschinellen Lernen darum, Daten zu nutzen, um Regeln zu entdecken, und nicht darum, Experten die Regeln für dich schreiben zu lassen.

ML berührt heutzutage fast jede Branche. Im Einzelhandel wird ML für Nachfrageprognosen eingesetzt, um den erwarteten Absatz von Produkten oder Dienstleistungen Monate im Voraus vorherzusagen. In der Reisebranche wird ML eingesetzt, um den Kunden auf der Grundlage ihres bisherigen Reiseverhaltens und anderer Informationen Sehenswürdigkeiten und Reiseziele zu empfehlen. Im Gesundheitswesen kann ML nicht nur feststellen, ob ein Röntgenbild eine gesunde oder kranke Lunge enthält, sondern auch den Bereich des Röntgenbildes lokalisieren, der zu dieser Feststellung geführt hat, damit medizinische Experten ihn genauer untersuchen können. Die Liste der aktiven Anwendungen von ML könnte ein ganzes Buch füllen. In diesem Buch konzentrieren wir uns auf ein paar konkrete ML-Anwendungsfälle, um dir den Einstieg zu erleichtern, z. B. den Verkauf von Werbemitteln, die Energieerzeugung und die Kundenabwanderung, um nur einige zu nennen.

Bei so vielen Anwendungen von ML in der Industrie ist es spannend, die verschiedenen Möglichkeiten zu erkunden. Eine Annahme, die viele machen, ist, dass ML nur ein Fachgebiet für Experten ist. Das heißt, wenn du nicht über ein umfangreiches Hintergrundwissen in vielen verschiedenen Bereichen (Informatik, Mathematik, Statistik usw.) verfügst, hast du keine Chance, ML in der Praxis einzusetzen. Das ist einfach nicht der Fall.

In den letzten Jahren hat sich das Konzept des "Citizen Data Scientist" immer mehr durchgesetzt. Ein Citizen Data Scientist ist jemand, der nicht unbedingt eine formale Ausbildung und/oder eine Rolle in den Datenwissenschaften oder verwandten Bereichen hat, aber neben anderen domänenspezifischen Fachkenntnissen, die er mitbringt, einige datenwissenschaftliche Arbeiten durchführen kann. Es wurden viele einfach zu bedienende Tools für ML entwickelt, die dieser Personengruppe zur Verfügung stehen.

Wer sollte dieses Buch lesen?

Ziel dieses Buches ist es, den Lesern beizubringen, wie sie ML-Probleme für strukturierte (tabellarische) Daten formulieren, ihre Daten für ML-Workflows vorbereiten und ML-Modelle mithilfe verschiedener No-Code-, Low-Code- und einiger grundlegender benutzerdefinierter Code-Lösungen erstellen und verwenden können. Du wirst Schritt für Schritt lernen, diese Ziele im Rahmen eines spezifischen Geschäftsproblems zu verstehen. Dieses Buch richtet sich in erster Linie an Business-Analysten, Datenanalysten, Studenten und angehende Datenwissenschaftler, die lernen wollen, wie sie ML mit Hilfe von automatisiertem maschinellem Lernen (AutoML), BigQuery ML (unter Verwendung von SQL) und benutzerdefiniertem Training in Python sehr schnell auf ihre Arbeit anwenden können. Ein gewisses Maß an Grundkenntnissen in der Datenanalyse wird vorausgesetzt, aber du musst kein Experte sein, um von diesem Buch zu profitieren.

Für alle, die einen Karriereschritt in Richtung Data Science und/oder ML-Engineering erwägen, ist dieses Buch ein guter erster Schritt in Richtung ihres Ziels. ML-Praktiker/innen werden dieses Buch wahrscheinlich als zu grundlegend für ihre Bedürfnisse empfinden, aber sie könnten die Diskussionen über einige der verwendeten Tools hilfreich finden, wenn sie damit nicht vertraut sind.

Es sind keine Vorkenntnisse in ML oder einer bestimmten Programmiersprache erforderlich, aber mit einigen Grundkenntnissen in Programmierkonzepten, Python und SQL lässt sich das Buch etwas leichter lesen. Wir verweisen im gesamten Buch auf zusätzliches Grundlagenmaterial im Kontext. Neben den ML-Konzepten und Fallbeispielen wirst du auch verschiedene Tools wie Jupyter Notebooks und den grundlegenden Umgang mit dem Linux-Terminal kennenlernen.

Was in diesem Buch steht und was nicht

Dieses Buch ist als erster Schritt für diejenigen gedacht, die ML-Praktiker werden wollen, und nicht als Buch, das dich zu einem ML-Experten macht. Wir behandeln weder die ML-Theorie im Detail noch alle Themen aus Statistik und Mathematik, die für einen erfolgreichen Data Scientist notwendig sind. Wir behandeln die Theorie, die für die in diesem Buch besprochenen Projekte benötigt wird, um dir den Einstieg in die Arbeit an ML-Projekten zu erleichtern, aber darüber hinauszugehen, würde den Rahmen dieses Buches sprengen. Wir geben jedoch viele Hinweise auf Ressourcen, in die du tiefer eintauchen kannst, wenn du daran interessiert bist.

In den Kapiteln 2 und 3 werden viele verschiedene Arten von Daten, die für ML-Probleme verwendet werden können, und verschiedene Werkzeuge, die in der Praxis eingesetzt werden können, behandelt. Allerdings kann kein einziges Buch jeden einzelnen Umstand mit jedem verfügbaren Werkzeug abdecken. Wir konzentrieren uns auf Anwendungsfälle mit strukturierten Daten und gehen in den Kapiteln 2 und 9 nur kurz auf ML für unstrukturierte Daten ein. Einige der spannendsten Anwendungen (z. B. KI-gestützte Chatbots und Bilderzeugung) nutzen unstrukturierte Daten, aber in der Praxis konzentrieren sich die meisten Anwendungen von ML in Wirtschaft und Industrie auf Probleme mit strukturierten Daten.

Bei den Tools konzentrieren wir uns auf eine kleine Auswahl, damit du dich auf die geschäftlichen Anwendungsfälle konzentrieren kannst. Pakete in Python wie NumPy, Seaborn, Pandas, scikit-learn und TensorFlow sind in allen Branchen beliebt und werden in diesem Buch neben vielen Anwendungsfällen behandelt. Jupyter Notebooks sind ebenfalls ein Industriestandard, um Python-Code interaktiv in einer Notebook-Umgebung auszuführen.

Wir nutzen Google Colab, einen kostenlosen Jupyter Notebook Service, um unsere Notebooks auszuführen. Außerdem nutzen wir andere Google Cloud-Tools wie Vertex AI AutoML für das Training von ML-Modellen ohne Code und BigQuery für die SQL-Datenanalyse und das Training von ML-Modellen mit SQL. Andere große Cloud-Provider wie Microsoft Azure und Amazon Web Services (AWS) bieten ähnliche Dienste für die Ausführung von Jupyter Notebooks, AutoML, die Analyse von Daten mit SQL und das Training von ML-Modellen mit SQL. Wir empfehlen dir, auch die anderen Tools zu erkunden, die wir zwar erwähnen, aber hier nicht verwenden. Links zu weiteren Informationen und Dokumentationen sind im gesamten Buch enthalten.

In diesem Buch verwendete Konventionen

In diesem Buch werden die folgenden typografischen Konventionen verwendet:

Kursiv

Weist auf neue Begriffe, URLs, E-Mail-Adressen, Dateinamen und Dateierweiterungen hin.

Constant width

Wird für Programmlistings sowie innerhalb von Absätzen verwendet, um auf Programmelemente wie Variablen- oder Funktionsnamen, Datenbanken, Datentypen, Umgebungsvariablen, Anweisungen und Schlüsselwörter hinzuweisen.

Constant width bold

Zeigt Befehle oder anderen Text an, der vom Benutzer wortwörtlich eingetippt werden sollte.

Constant width italic

Zeigt Text an, der durch vom Benutzer eingegebene Werte oder durch kontextabhängige Werte ersetzt werden soll.

Tipp

Dieses Element steht für einen Tipp oder eine Anregung.

Hinweis

Dieses Element steht für einen allgemeinen Hinweis.

Warnung

Dieses Symbol weist auf eine Warnung oder Vorsicht hin.

Code-Beispiele verwenden

Zusätzliches Material (Code-Beispiele, Übungen usw.) steht unter https://oreil.ly/supp-lcai zum Download bereit .

Dieses Buch soll dir helfen, deine Arbeit zu erledigen. Wenn in diesem Buch Beispielcode angeboten wird, darfst du ihn in deinen Programmen und deiner Dokumentation verwenden. Du musst uns nicht um Erlaubnis fragen, es sei denn, du reproduzierst einen großen Teil des Codes. Wenn du zum Beispiel ein Programm schreibst, das mehrere Teile des Codes aus diesem Buch verwendet, brauchst du keine Erlaubnis. Wenn du eine CD-ROM mit Beispielen aus den O'Reilly-Büchern verkaufst oder verteilst, ist eine Genehmigung erforderlich. Die Beantwortung einer Frage mit einem Zitat aus diesem Buch und einem Beispielcode erfordert keine Genehmigung. Wenn du einen großen Teil des Beispielcodes aus diesem Buch in die Dokumentation deines Produkts aufnimmst, ist eine Erlaubnis erforderlich.

Wir schätzen die Namensnennung, verlangen sie aber nicht. Eine Quellenangabe umfasst normalerweise den Titel, den Autor, den Verlag und die ISBN. Zum Beispiel:"Low-Code AI von Gwendolyn Stripling und Michael Abel (O'Reilly). Copyright 2023 Gwendolyn Stripling und Michael Abel, 978-1-098-14682-5."

Wenn du der Meinung bist, dass die Verwendung von Code-Beispielen nicht unter die Fair-Use-Regelung oder die oben genannte Erlaubnis fällt, kannst du uns gerne unter permissions@oreilly.com kontaktieren .

O'Reilly Online Learning

Hinweis

Seit mehr als 40 Jahren bietet O'Reilly Media Schulungen, Wissen und Einblicke in Technologie und Wirtschaft, um Unternehmen zum Erfolg zu verhelfen.

Unser einzigartiges Netzwerk von Experten und Innovatoren teilt sein Wissen und seine Erfahrung durch Bücher, Artikel und unsere Online-Lernplattform. Die Online-Lernplattform von O'Reilly bietet dir On-Demand-Zugang zu Live-Trainingskursen, ausführlichen Lernpfaden, interaktiven Programmierumgebungen und einer umfangreichen Text- und Videosammlung von O'Reilly und über 200 anderen Verlagen. Weitere Informationen erhältst du unter https://oreilly.com.

Wie du uns kontaktierst

Bitte richte Kommentare und Fragen zu diesem Buch an den Verlag:

Wir haben eine Webseite für dieses Buch, auf der wir Errata, Beispiele und zusätzliche Informationen auflisten. Du kannst diese Seite unter https://oreil.ly/LowCodeAI aufrufen .

Neuigkeiten und Informationen über unsere Bücher und Kurse findest du unter https://oreilly.com.

Du findest uns auf LinkedIn: https://linkedin.com/company/oreilly-media.

Folge uns auf Twitter: https://twitter.com/oreillymedia.

Sieh uns auf YouTube: https://youtube.com/oreillymedia.

Danksagungen

Dieses Buch gibt es nur dank der großzügigen Unterstützung und der Zeit vieler Menschen. Wir möchten uns bei unseren Googler-Kollegen - Enrica Filippi, Mona Mona, Benoit Dherin und Michael Munn - für ihre ausführliche Rezension dieses Buches bedanken. Die Qualität der Darstellung und die technischen Details haben von ihrer Expertise sehr profitiert. Wir möchten auch unseren Mitarbeitern - Rich Rose, Patrick Bentley, Yoanna Long, Esra Duygun und Concepcion Diaz - für ihre Unterstützung und ihr Feedback danken. Nicht zuletzt möchten wir unseren Managern - Kelly Thompson, Eric Pilotte und Sree Upadhyayula - für ihre unermüdliche Unterstützung bei diesem Unterfangen danken.

Ein großes Dankeschön an das O'Reilly-Team für die Zusammenarbeit bei der Verwirklichung dieses Traums und die Geduld mit zwei Autoren, die sich zum ersten Mal auf diesen Prozess eingelassen haben. Wir möchten Nicole Butterfield dafür danken, dass sie von Anfang an an unser Projekt und unsere Vision geglaubt hat, und Clare Laylock für ihre Arbeit, dieses Buch druckfertig zu machen. Wir möchten Corbin Collins für seine harte Arbeit und seine redaktionelle Kompetenz während des gesamten Prozesses danken.

Michael möchte sich bei seiner Frau Jackie für ihre unglaubliche Unterstützung und Geduld während des gesamten Prozesses des Schreibens dieses Buches bedanken, bei seiner Tochter Mia dafür, dass sie immer den richtigen Zeitpunkt findet, um die Arbeit zu unterbrechen, um mit der Tastatur zu spielen und ihm ein Lächeln ins Gesicht zu zaubern, und bei seinen Eltern, Ben und Rita, dafür, dass sie seine Liebe zur Mathematik und zu Computern gefördert haben, so lange er sich erinnern kann.

Gwendolyn möchte sich bei ihrer Lebensgefährtin Nada Velimirović für ihre unerschütterliche Unterstützung während dieser unglaublichen Reise bedanken und bei ihrer Tochter Saskia und ihren Haustieren Ginger und Wonton für ihre unglaubliche Fähigkeit, zu wissen, wann sie eine Umarmung brauchen, nach einem Schoß fragen oder nach einem kurzen Spaziergang winseln. Sie möchte auch ihrer Familie danken: ihrem Vater und ihrer Mutter (danke für die DNA), ihrer Schwester Belinda (danke, dass sie mich gesehen hat), ihrer Schwester Gloria Taylor Williams und ihrem Mann Charles Williams, ihren Brüdern Maurice Cobb und Carlos S. Armstrong und ihrem Onkel Tony Hall. Sie dankt ihrer Nichte Katrina Marie Burage und ihrem Neffen Carlos S. Armstrong Jr. für ihre großartige Unterstützung auf dieser Reise! Sie möchte sich auch bei ihrer lieben Freundin Christina Ramirez bedanken, die immer an ihr unkonventionelles Denken geglaubt und sie unterstützt hat!

Get Low-Code AI now with the O’Reilly learning platform.

O’Reilly members experience books, live events, courses curated by job role, and more from O’Reilly and nearly 200 top publishers.

Start your free trial