Wie Maschinen lernenKünstliche Intelligenz verständlich erklärt
Kristian Kersting, Christoph Lampert, Constantin Rothkopf
,
   
|
|
Zusammenfassungen
Wissen Sie, was sich hinter künstlicher Intelligenz und maschinellem Lernen verbirgt?
Dieses Sachbuch erklärt Ihnen leicht verständlich und ohne komplizierte Formeln die grundlegenden Methoden und Vorgehensweisen des maschinellen Lernens. Mathematisches Vorwissen ist dafür nicht nötig. Kurzweilig und informativ illustriert Lisa, die Protagonistin des Buches, diese anhand von Alltagssituationen.
Ein Buch für alle, die in Diskussionen über Chancen und Risiken der aktuellen Entwicklung der künstlichen Intelligenz und des maschinellen Lernens mit Faktenwissen punkten möchten. Auch für Schülerinnen und Schüler geeignet!
Von Klappentext im Buch Wie Maschinen lernen (2019) Ein Buch für alle, die in Diskussionen über Chancen und Risiken der aktuellen Entwicklung der künstlichen Intelligenz und des maschinellen Lernens mit Faktenwissen punkten möchten. Auch für Schülerinnen und Schüler geeignet!
Bemerkungen zu diesem Buch
Wir möchten Ihnen mit diesem Buch eine leicht verständliche
Einführung in die Welt der lernenden Maschinen
bieten. Dazu stellen wir einflussreiche, weitverbreitete
Algorithmen des maschinellen Lernens Schritt für Schritt
und anschaulich vor. Sie benötigen dazu keine besonderen
Vorkenntnisse. Jeder kann verstehen, wie diese Methoden
funktionieren. Und Sie werden eine Vorstellung davon
entwickeln, was diese Methoden leisten können, was
(noch) nicht und was vermutlich nie. Dadurch wollen
wir Licht in die Dunkelheit der Blackbox der künstlichen
Intelligenz bringen.
Von Jannik Kossen, Fabrizio Kuruc, Maike Elisa Müller im Buch Wie Maschinen lernen (2019) im Text Einleitung auf Seite 5
Kapitel 
- 1. Einleitung (Seite 3 - 10) (Jannik Kossen, Fabrizio Kuruc, Maike Elisa Müller)
- 2. Algorithmen (Seite 11 - 20) (Nicolas Berberich)
- 3. Maschinelles Lernen - Wie sich Computer an Probleme anpassen (Seite 21 - 27) (Michael Krause, Elena Natterer)
- 4. Daten (Seite 29 - 37) (Alexandros Gilch, Theresa Schüler)
- 5. Regression (Seite 39 - 43) (Jannik Kossen, Maike Elisa Müller)
- 6. Klassifikation (Seite 45 - 52) (Jana Aberham, Jannik Kossen)
- 7. Clusteranalyse (Seite 53 - 57) (Jana Aberham, Fabrizio Kuruc)
- 8. Lineare Regression (Seite 61 - 67) (Jannik Kossen, Maike Elisa Müller)
- 9. Ausreißer (Seite 69 - 72) (Jannik Kossen, Maike Elisa Müller)
- 10. k-Nächste-Nachbarn (Seite 73 - 79) (Michael Neumann)
- 11. k-Means-Algorithmus (Seite 81 - 88) (Dorothea Müller)
- 12. Fluch der Dimensionalität (Seite 89 - 94) (Jannik Kossen, Fabrizio Kuruc)
- 13. Support Vector Machine (Seite 95 - 103) (Jana Aberham, Fabrizio Kuruc)
- 14. Logistische Regression (Seite 105 - 110) (Theresa Schüler)
- 15. Entscheidungsbäume (Seite 111 - 118) (Jannik Kossen, Maike Elisa Müller, Max Ruckriegel)
- 16. Verzerrung-Varianz-Dilemma (Seite 119 - 123) (Jannik Kossen, Maike Elisa Müller)
- 17. Hauptkomponentenanalyse (Seite 125 - 133) (Christian Hölzer)
- 18. Eine kurze Geschichte der künstlichen Intelligenz (Seite 135 - 140) (Ina Kalder)
- 19. Big Data (Seite 141 - 147) (Christian Hölzer, Elena Natterer)
- 20. Künstliche neuronale Netze (Seite 149 - 161) (Leon Hetzel, Frederik Wangelik)
- 21. Faltungsnetze (Seite 163 - 169) (Jannik Kossen, Maike Elisa Müller)
- 22. Gradientenabstiegsverfahren (Seite 171 - 180) (Wolfgang Böttcher, Charlotte Bunne, Johannes von Stetten)
- 23. No Free Lunch Theorem (Seite 181 - 184) (Maike Elisa Müller)
- 24. Bayesregel (Seite 185 - 194) (Justin Fehrling, Michael Krause)
- 25. Generative gegnerische Netzwerke (Seite 195 - 201) (Jannik Kossen, Maike Elisa Müller)
- 26. Verstärkendes Lernen (Seite 203 - 212) (Thomas Herrmann, Lars Frederik Peiss)
- 27. Über die Mystifizierung von KI (Seite 215 - 221) (Nicolas Berberich, Christian Hölzer)
- 28. Künstliche Intelligenz und Sicherheit (Seite 223 - 228) (Nicolas Berberich, Ina Kalder)
- 29. Künstliche Intelligenz und Ethik (Seite 229 - 239) (Nicolas Berberich)
- 30. Schlusswort (Seite 241 - 245) (Jannik Kossen, Maike Elisa Müller, Elena Natterer)
dieses Buch erwähnt ...
Algorithmus
amazon
big data
Computer
Digitalisierung
facebook
Generative Adversarial Network (GAN)
Google
Intelligenz
Internet
Künstliche Intelligenz (KI / AI)
Lernen
machine learning
Mathematik
Mensch
Modelle
Neuronales Netz
Perceptron
Roboter
Sicherheit
Zukunft
dieses Buch erwähnt vermutlich nicht ...
Nicht erwähnte Begriffe | Chatterbot, deep learning, GAFA, Informatik-Didaktik, Informatik-Unterricht (Fachinformatik), Long / Short Term Memory (LSTM), Schule, social media / Soziale Medien, Turing-Test, Twitter |
Tagcloud
Volltext dieses Dokuments
| Wie Maschinen lernen: Gesamtes Buch als Volltext (:  , 9089 kByte; :  ) |
| Einleitung: Artikel als Volltext bei Springerlink (: , 389 kByte; : ) |
| k-Nächste-Nachbarn: Artikel als Volltext bei Springerlink (: , 1076 kByte; : ) |
| k-Means-Algorithmus: Artikel als Volltext bei Springerlink (: , 1096 kByte; : ) |
| Fluch der Dimensionalität: Artikel als Volltext bei Springerlink (: , 328 kByte; : ) |
| Support Vector Machine: Artikel als Volltext bei Springerlink (: , 497 kByte; : ) |
| Logistische Regression: Artikel als Volltext bei Springerlink (: , 350 kByte; : ) |
| Entscheidungsbäume: Artikel als Volltext bei Springerlink (: , 246 kByte; : ) |
| Verzerrung-Varianz-Dilemma: Artikel als Volltext bei Springerlink (: , 262 kByte; : ) |
| Hauptkomponentenanalyse: Artikel als Volltext bei Springerlink (: , 517 kByte; : ) |
| Eine kurze Geschichte der künstlichen Intelligenz: Artikel als Volltext bei Springerlink (: , 225 kByte; : ) |
| Big Data: Artikel als Volltext bei Springerlink (: , 272 kByte; : ) |
| Algorithmen: Artikel als Volltext bei Springerlink (: , 337 kByte; : ) |
| Künstliche neuronale Netze: Artikel als Volltext bei Springerlink (: , 968 kByte; : ) |
| Faltungsnetze: Artikel als Volltext bei Springerlink (: , 337 kByte; : ) |
| Gradientenabstiegsverfahren: Artikel als Volltext bei Springerlink (: , 655 kByte; : ) |
| No Free Lunch Theorem: Artikel als Volltext bei Springerlink (: , 152 kByte; : ) |
| Bayesregel: Artikel als Volltext bei Springerlink (: , 618 kByte; : ) |
| Generative gegnerische Netzwerke: Artikel als Volltext bei Springerlink (: , 297 kByte; : ) |
| Verstärkendes Lernen: Artikel als Volltext bei Springerlink (: , 1066 kByte; : ) |
| Über die Mystifizierung von KI: Artikel als Volltext bei Springerlink (: , 175 kByte; : ) |
| Künstliche Intelligenz und Sicherheit: Artikel als Volltext bei Springerlink (: , 168 kByte; : ) |
| Künstliche Intelligenz und Ethik: Artikel als Volltext bei Springerlink (: , 188 kByte; : ) |
| Maschinelles Lernen: Artikel als Volltext bei Springerlink (: , 227 kByte; : ) |
| Schlusswort: Artikel als Volltext bei Springerlink (: , 154 kByte; : ) |
| Daten: Artikel als Volltext bei Springerlink (: , 163 kByte; : ) |
| Regression: Artikel als Volltext bei Springerlink (: , 347 kByte; : ) |
| Klassifikation: Artikel als Volltext bei Springerlink (: , 478 kByte; : ) |
| Clusteranalyse: Artikel als Volltext bei Springerlink (: , 376 kByte; : ) |
| Lineare Regression: Artikel als Volltext bei Springerlink (: , 544 kByte; : ) |
| Ausreißer: Artikel als Volltext bei Springerlink (: , 324 kByte; : ) |
| Wie Maschinen lernen: Gesamtes Buch als Volltext (: , 9089 kByte; : ) |
Standorte
Beat ( 14.12.2019)
Bibliographisches
| Titel | Format | Bez. | Aufl. | Jahr | ISBN | |||||||
| Wie Maschinen lernen | D | - | - | 0 | 3658267623 |  |  |  |  |
Beat und dieses Buch
Beat hat dieses Buch während seiner Zeit am Institut für Medien und Schule (IMS) ins Biblionetz aufgenommen. Beat besitzt ein physisches und ein digitales Exemplar. Eine digitale Version ist auf dem Internet verfügbar (s.o.). Aufgrund der vielen Verknüpfungen im Biblionetz scheint er sich intensiver damit befasst zu haben.
Biblionetz-History