KI-Algorithmen mit Python

  Materialien zum Buch ... 21

  Danksagung ... 23

  1.  Einleitung ... 25


       1.1 ... Voraussetzungen und Haltung ... 26

       1.2 ... Für wen ist dieses Buch geeignet? ... 27

       1.3 ... Warum Python? ... 28

       1.4 ... Wie wir in diesem Buch lernen ... 28

       1.5 ... Mathematik ohne Angst ... 30

       1.6 ... Machine Learning im Kontext von Data Science ... 31

       1.7 ... Wie Sie mit diesem Buch arbeiten ... 32

       1.8 ... Die Landschaft des Machine Learnings ... 33

       1.9 ... Verstehen heißt Verantwortung übernehmen ... 36



  2.  Das Starter-Kit für KI-Algorithmen ... 37


       2.1 ... Anaconda-Distribution ... 37

       2.2 ... Arbeiten mit Jupyter Notebook ... 40

       2.3 ... Module und Bibliotheken ... 41

       2.4 ... Virtuelle Umgebungen ... 43

       2.5 ... Exkurs: Bibliotheken reproduzierbar verwalten ... 44

       2.6 ... Visual Studio Code ... 45

       2.7 ... Testlauf ... 48

       2.8 ... Von der Werkstatt zur Idee ... 51



  3.  Mathematik für KI-Algorithmen ... 53


       3.1 ... Lineare Algebra und KI ... 55

       3.2 ... Statistik und Datenverständnis ... 66

       3.3 ... Wahrscheinlichkeit und Bayes-Theorem ... 81

       3.4 ... Optimierung und Ableitungen ... 92

       3.5 ... Generalisierung und das Bias-Varianz-Dilemma ... 102

       3.6 ... Weiterführende Literatur ... 107



  4.  Data Science und KI-Algorithmen ... 109


       4.1 ... Was ist Data Science? ... 110

       4.2 ... Die Data-Science-Pipeline ... 110

       4.3 ... Understand the Business ... 111

       4.4 ... Data Acquisition ... 112

       4.5 ... Einschub: Datenqualität ... 113

       4.6 ... Data Cleaning ... 113

       4.7 ... Exploratory Data Analysis ... 121

       4.8 ... Feature Engineering ... 128

       4.9 ... Machine Learning ... 130

       4.10 ... Data Visualization ... 133

       4.11 ... Weiterführende Literatur ... 134



  5.  Evaluationsmetriken ... 137


       5.1 ... Metriken: Das Maß des Lernens ... 137

       5.2 ... Von der Theorie zur Praxis ... 140

       5.3 ... Unser Datensatz ... 141

       5.4 ... Regression ... 143

       5.5 ... Klassifikation ... 150

       5.6 ... Clustering ... 162

       5.7 ... Problemtyp und geeignete Evaluationsmetriken ... 172

       5.8 ... Ausblick ... 173

       5.9 ... Weiterführende Literatur ... 173



  6.  k-Nearest Neighbours ... 175


       6.1 ... Was macht der Algorithmus eigentlich? ... 176

       6.2 ... Wofür kann man die Methode verwenden? ... 177

       6.3 ... Wie funktioniert die Methode? ... 177

       6.4 ... Algorithmusbeschreibung ... 178

       6.5 ... Beispiel: Katze oder Kaninchen ... 179

       6.6 ... Mach's kaputt ... 184

       6.7 ... Beispiel: Wisconsin Breast Cancer Dataset ... 186

       6.8 ... Recommender-System ... 203

       6.9 ... Eine Simulation in pygame ... 207

       6.10 ... Grenzen von kNN ... 208

       6.11 ... Weiterführende Literatur ... 209



  7.  Naive-Bayes-Klassifikator ... 211


       7.1 ... Was macht der Algorithmus eigentlich? ... 212

       7.2 ... Wofür kann man die Methode verwenden? ... 212

       7.3 ... Was ist Spam? ... 213

       7.4 ... Wie funktioniert die Methode? ... 213

       7.5 ... Kurzbeschreibung des Naive-Bayes-Algorithmus ... 218

       7.6 ... Beispiel: Spam oder Ham ... 219

       7.7 ... Beispiel: Produkt-Sentiment-Bewertung ... 232

       7.8 ... Eine Simulation in pygame ... 238

       7.9 ... Mach's kaputt ... 239

       7.10 ... Ethische Betrachtung von Naive Bayes ... 241

       7.11 ... Grenzen von Naive Bayes ... 242

       7.12 ... Weiterführende Literatur ... 243



  8.  Lineare Regression ... 245


       8.1 ... Was macht der Algorithmus eigentlich? ... 246

       8.2 ... Wofür kann man die Methode verwenden? ... 247

       8.3 ... Wie funktioniert die Methode? ... 248

       8.4 ... Algorithmusbeschreibung ... 249

       8.5 ... Beispiel: Ringgröße -- statische Variante ... 250

       8.6 ... Die ML-Variante ... 254

       8.7 ... Mach's kaputt ... 262

       8.8 ... Die vektorisierte Variante und scikit-learn ... 264

       8.9 ... Metriken ... 268

       8.10 ... Grenzen der Methode ... 269

       8.11 ... Weiterführende Literatur ... 269



  9.  Logistische Regression ... 271


       9.1 ... Was macht der Algorithmus eigentlich? ... 272

       9.2 ... Wofür kann man die Methode verwenden? ... 273

       9.3 ... Wie funktioniert die Methode? ... 273

       9.4 ... Algorithmusbeschreibung ... 279

       9.5 ... Beispiel: Kreditvergabe ... 283

       9.6 ... Mach's kaputt ... 292

       9.7 ... Beispiel: Heiratsantrag ... 295

       9.8 ... Heiratsantrag mit sklearn ... 300

       9.9 ... Eine Simulation in pygame ... 302

       9.10 ... Ethische Betrachtung der logistischen Regression ... 303

       9.11 ... Grenzen des Modells ... 304

       9.12 ... Weiterführende Literatur ... 305



10.  Decision Trees ... 307


       10.1 ... Hinweis zur Struktur dieses Kapitels ... 307

       10.2 ... Was ist ein (Entscheidungs-)Baum? ... 308

       10.3 ... Was macht der Algorithmus eigentlich? ... 314

       10.4 ... Wofür kann man die Methode verwenden? ... 329

       10.5 ... Algorithmusbeschreibung ... 331

       10.6 ... Mach's kaputt ... 334

       10.7 ... Beispiele ... 336

       10.8 ... Grenzen des Modells ... 336

       10.9 ... Weiterführende Literatur ... 337



11.  k-Means Clustering ... 339


       11.1 ... Was macht der Algorithmus eigentlich? ... 339

       11.2 ... Wofür kann man die Methode verwenden? ... 341

       11.3 ... Wie funktioniert die Methode? ... 342

       11.4 ... Algorithmusbeschreibung ... 343

       11.5 ... Beispiel: Hochzeitsparty-Planung ... 346

       11.6 ... Mach's kaputt ... 352

       11.7 ... Beispiel: Glasfaser im Neubaugebiet ... 357

       11.8 ... Ethische Betrachtung ... 360

       11.9 ... Metriken ... 360

       11.10 ... Simulationen ... 361

       11.11 ... Weiterführende Literatur ... 362



12.  Support Vector Machines ... 363


       12.1 ... Was ist eine Support Vector Machine? ... 364

       12.2 ... Wofür kann man die Methode verwenden? ... 368

       12.3 ... Wie funktioniert die Methode? ... 369

       12.4 ... Algorithmusbeschreibung ... 384

       12.5 ... Beispiel ... 387

       12.6 ... Mach's kaputt ... 394

       12.7 ... Metriken ... 395

       12.8 ... Ethische Betrachtung ... 396

       12.9 ... Grenzen des Modells ... 397

       12.10 ... Weiterführende Literatur ... 398



13.  Neuronale Netze ... 401


       13.1 ... Was ist ein neuronales Netz? ... 402

       13.2 ... Vom Modell zur Implementierung ... 409

       13.3 ... Beispiel: Two Moons ... 425

       13.4 ... Deep Learning ... 427

       13.5 ... Beispiel: Ziffernerkennung ... 438

       13.6 ... Mach's kaputt ... 439

       13.7 ... Ethische Betrachtung ... 441

       13.8 ... Grenzen des Modells ... 442

       13.9 ... Weiterführende Literatur ... 443



14.  Reinforcement Learning ... 445


       14.1 ... Was ist Reinforcement Learning? ... 446

       14.2 ... Die formale Struktur des Entscheidungsprozesses ... 447

       14.3 ... Die Markov-Eigenschaft ... 449

       14.4 ... Das Bellman-Prinzip ... 455

       14.5 ... Exploration und Exploitation ... 457

       14.6 ... Beispiel: Swampy Fields ... 458

       14.7 ... Mach's kaputt ... 466

       14.8 ... Beispiel: Tic-Tac-Toe ... 468

       14.9 ... Wofür kann man die Methode verwenden? ... 476

       14.10 ... Ethische Betrachtung ... 477

       14.11 ... Von der Optimierung zur Verantwortung ... 478

       14.12 ... Weiterführende Literatur ... 479



15.  KI und Ethik ... 481


       15.1 ... Was bedeutet Ethik im Kontext von KI? ... 482

       15.2 ... KI als Assistent -- nicht als Orakel ... 483

       15.3 ... Wenn KI heute anders antwortet als gestern ... 483

       15.4 ... Fallbeispiele aus der Praxis ... 486

       15.5 ... Resümee: Human in the Loop ... 494

       15.6 ... Literaturverzeichnis und Quellenangaben ... 495



16.  Ausblick ... 499

  Index ... 501