Künstliche Intelligenz - Zusammenfassung

Einführung

Künstliche Intelligenz (KI) ist eine Disziplin im Bereich der Informatik und beschäftigt sich mit der Automatisierung von intelligenten Verhalten und beschäftigt sich mit dem maschinellen Lernen. Bei KI geht es darum auf Basis von Testdaten mathematische Modelle zu bauen, sodass die Aufgabe ohne menschliche Unterstützung erledigt werden kann. Die Anwendungsgebiete sind vielfältig:

• Bild Erkennung
• Selbstfahrende Fahrzeuge
• Suchmaschinen
• Email Spam Filterung
• Finanzmodelle
• Medizinische Diagnostik
• Betrugserkennung

Beruflicher Einstieg im Bereich Künstliche Intelligenz

KI beschäftigt sich mit realen Problemen in der Welt und Unternehmen suchen häufig Experten im Bereich KI um an den Problemen mitzuarbeiten. Auch deswegen sind KI Experten sehr gefragt.

Um im Bereich KI sattelfest zu sein, sind einige Grundlagen Vorsetzungen ohne die es nicht geht:

• Mathematik
• Theorie zu Data Science und maschinelles Lernen
• Programmierung
• Bibiliotheken aus dem Bereich Data Science und maschinelles Lernen
• Arbeit mit Daten

Um sich nach den Grundlagen auf dem Laufenden zu halten und den Anschluss an wichtige Entwicklungen zu halten - einige Tips:

• Blogs und wissenschaftliche Arbeiten lesen aus dem Gebiet Data Science, maschinelles Lernen, Künstliche Intelligenz
• Interessanten Menschen, Gruppen, Unternehmen und Organisationen auf Twitter und anderen sozialenen Netzwerken folgen
• In Diskussionen einbringen, Fragen stellen und Antworten geben.

Mathematik

Mathematik ist sehr wichtig in den Bereichen Datenwissenschaft und maschinelles Lernen. Nur so können sie genau verstehen, wie und warum die Methoden des maschinellen Lernens funktionieren. Es gibt ihnen dadurch die Möglichkeit Experimente richtig zu entwerfen, Hypothesen zu testen, Methoden zu kombinieren, Parameter zu optimieren. Drei Hauptzweige der Mathematik, die für maschinelles Lernen erforderlich sind, sind:

• Infinitesimalrechnung
• Lineare Algebra
• Wahrscheinlichkeit und Statistik

Calculus Calculus ist wichtig, weil alles andere davon abhängt, insbesondere die Wahrscheinlichkeitstheorie, statistische Methoden und die konvexe Optimierung. Es gibt viele potenziell nützliche Kalkülbücher wie: Calculus von J. Stewart Thomas ’Calculus von G.B. Thomas, M. D. Weir und J. R. Hass; Bitte beachten Sie, dass die neueste Ausgabe dieses Buches von J. R. Hass, C. E. Heil und M. D. Weir verfasst wurde Wenn Sie ein absoluter Anfänger sind, können Sie das Tutorial Calculus for Beginners and Artists des Massachusetts Institute of Technology ausprobieren.

Lineare Algebra Die lineare Algebra ist die Grundlage vieler Methoden und Ansätze des maschinellen Lernens wie die lineare Regression und die lineare Diskriminanzanalyse. Hier erfahren Sie, wie Sie mit mehrdimensionalen Daten umgehen und wie Sie Beziehungen zwischen ihnen finden. Einige empfohlene Bücher in linearer Algebra sind:

• Lineare Algebra und ihre Anwendungen von D.C. Lay, S.R. Lay und J.J. McDonald
• Einführung in die Lineare Algebra von G. Strang
• Lineare Algebra und ihre Anwendungen von G. Strang
• Lineare Algebra und Lernen aus Daten von G. Strang

Vielleicht finden Sie auch die YouTube-Vorträge von prof. G. Strang vom Massachusetts Institute of Technology auf YouTube verfügbar.

Wahrscheinlichkeitstheorie und Statistik Die Wahrscheinlichkeitstheorie und die Statistik haben viele Konzepte, die beim maschinellen Lernen verwendet werden. Die bedingte Wahrscheinlichkeit, der Bayes-Satz, der zentrale Grenzwertsatz, das Testen von Hypothesen, Regressionstechniken und die Entropie von Informationen sind nur einige Beispiele für solche Konzepte. Einige nützliche Bücher über Wahrscheinlichkeit und Statistik sind: Einführung in Wahrscheinlichkeitsrechnung und Statistik für Ingenieure und Wissenschaftler von S.M. Ross Wahrscheinlichkeit und Statistik für Ingenieurwissenschaften und Naturwissenschaften von J. L. Devore Sie benötigen keine hohen Kenntnisse in Mathematik, um mit maschinellem Lernen zu beginnen. Wenn Sie jedoch einige wichtige Dinge verstehen und ausführen möchten, werden Sie das Bedürfnis danach verspüren.

Data Science und Machine Learning

Lernen Sie die Theorie und die Intuition hinter Data Science und Machine Learning Sie müssen auch einen Einblick in den angewandten Aspekt mathematischer Konzepte erhalten, dh genau verstehen, wie Methoden des maschinellen Lernens entworfen werden. Einige gute Bücher über diese Konzepte sind: Eine Einführung in das statistische Lernen von P. Forrest Eine Einführung in das statistische Lernen mit Anwendungen in R von G. James, D. Witten, T. Hastie und R. Tibshriani Die Elemente des statistischen Lernens: Data Mining, Inferenz und Vorhersage von T. Hastie, R. Tibshirani und J. Friedman Es gibt auch zwei fantastische, kostenlose Online-Bücher: - Deep Learning von I. Goodfellow, Y. Bengio und A. Courville - Neuronale Netze und Deep Learning von M. Nielsen Dort finden Sie viele gute Erklärungen und visuelle Darstellungen. Die Notizen aus den maschinellen Lernkursen sind auf den Websites der Stanford University und des Massachusetts Institute of Technology frei verfügbar. Die Vorlesungen dieser Kurse sind auch auf YouTube frei verfügbar. Duomly bietet einen umfassenden Kurs zum maschinellen Lernen sowie verschiedene Artikel an, die für Sie hilfreich sein könnten: - Wie erstelle ich einen Chatbot in Python? - Wie erstelle ich eine Bilderkennung mit Python? - Unterschiede zwischen künstlicher Intelligenz und maschinellem Lernen und warum dies für uns wichtig ist - Wie besteht man das maschinelle Lerninterview? Sie erklären die Intuition hinter den Methoden des maschinellen Lernens und führen sie Schritt für Schritt durch.

Bibliotheken für Data Science und maschinelles Lernen

Eines der wichtigsten Dinge ist es, Programmierbibliotheken für Data Science und maschinelles Lernen zu beherrschen. Die führenden Python-Bibliotheken für diesen Zweck sind: - NumPy ist eine grundlegende und leistungsstarke Python-Bibliothek zum Manipulieren von Arrays und zum numerischen Rechnen - SciPy ist eine umfassende Bibliothek für numerisches Rechnen, die auf NumPy basiert und es erweitert - Pandas ist eine Bibliothek zur einfachen und intuitiven Bearbeitung von ein- und zweidimensional beschrifteten Daten, die sich auch auf NumPy beziehen - Scikit-learn ist eine umfassende und weit verbreitete Bibliothek für maschinelles Lernen, die auf NumPy und SciPy für die Datenvorverarbeitung, -regression, -klassifizierung, -clusteranalyse, -modellauswahl und -dimensionalitätsreduzierung basiert - TensorFlow ist eine Deep-Learning-Bibliothek, die sich in erster Linie auf neuronale Netze von Google konzentriert - Keras ist eine Bibliothek zum Erstellen und Trainieren neuronaler Netzwerke, die mit den TensorFlow-, CNTK- oder Theano-Backends verwendet werden können - Matplotlib ist eine leistungsstarke und weit verbreitete Bibliothek zur Datenvisualisierung - Bokeh ist eine Bibliothek zur interaktiven Datenvisualisierung und -präsentation in den Webbrowsern Die offiziellen Websites bieten in der Regel gute und kostenlose Dokumentationen und Lernprogramme für jede dieser Bibliotheken. Ein weiteres besonders gutes Tutorial ist die Anatomie von

Pandas

Pandas ist ein Python-Paket, dass schnelle, flexible und aussagekräftige Datenstrukturen bereitstellt, mit denen die Arbeit mit relationalen oder beschrifteten Daten sowohl einfach als auch intuitiv gestaltet werden kann. Es soll der grundlegende Baustein für die praktische Analyse realer Daten in Python sein. Es soll das leistungsfähigste und flexibelste Open-Source-Tool zur Analyse und Bearbeitung von Daten werden, dass in jeder Sprache verfügbar ist. Hintergrundinformationen zu Pandas Weitere Informationen finden Sie im Pandas Github-Repository oder in der offiziellen Pandas-Dokumentation. Es wurde ursprünglich von Wes McKinney im Jahr 2008 in seiner Tätigkeit bei AQR Capital Management entwickelt. Er konnte AQR davon überzeugen, Open Source für die Bibliothek zuzulassen, was es nicht nur erlaubt, sondern Datenwissenschaftlern auf der ganzen Welt ermöglicht, Pandas kostenlos zu nutzen, Beiträge zum offiziellen Repository zu leisten, Fehlerberichte und -behebungen bereitzustellen, die Dokumentation zu verbessern und Verbesserungen vorzunehmen und liefern Ideen zur Verbesserung der Software.

• Pandas auf GitHub
• Visualization with Pandas

Weiterführende Videos

Weiterführende Links

Einführung zu KI

Wikipedia Artikel über KI