En savoir plus
Maschinelles Lernen und künstliche Intelligenz sind omnipräsente Begriffe zur Verbesserung von technischen Prozessen. Die praktische Umsetzung an realen Problemen gestaltet sich aber oft schwierig und komplex.
Dieses Lehrbuch erklärt Lernverfahren anhand von analytischen Konzepten im Zusammenspiel mit vollständigen Programmierbeispielen in Python und bezieht sich auf dabei stets auf reale technische Anwendungsszenarien. Es zeigt den Einsatz physikalisch-informierter Lernstrategien, die Einbeziehung von Unsicherheit in die Modellierung und den Aufbau von erklärbarer, vertrauenswürdiger künstlicher Intelligenz mit Hilfe spezialisierter Datenbanken.
Dieses Lehrbuch richtet sich somit sowohl an Studierende der Ingenieurswissenschaften, Naturwissenschaft, Medizin und Betriebswirtschaft als auch an Anwender aus der Industrie (vor allem Data Scientists), Entwickler*innen von Expertendatenbanken und Softwareentwickler*innen.
Table des matières
1Einführung in die Arbeit mit Daten.- 2. Daten als Stochastischer Prozess.- 3.Explorative Analyse (Säubern von Daten, Histogramme, Hauptkomponentenanalyse, Mathematische Transformationen).- 4.Grundlagen überwachter und unüberwachter Lernverfahren.- 5.Physikalisch-Informierte Lernverfahren (Optimierungsmethoden der Datenvorverarbeitung, Integration von transformativ-angereicherten Daten, Integration von mathematischen Modellen).- 6.Stochastische Lernverfahren (Mixture-Density Netze, Kredale Netze).- 7.Semantische Datenbanken.- 8.Erklärbare, vertrauenswürdige künstliche Intelligenz.
A propos de l'auteur
Dr. Marcus J. Neuer hat in diversen Forschungs- und Industrieprojekten Maschinelles Lernen und erklärbare künstliche Intelligenz für nutzbare, gewinnbringende Anwendungen entwickelt. Er leitet die Forschungs- und Entwicklungsabteilung der innoRIID GmbH und lehrt an der RWTH Aachen sowie der Fachhochschule der Wirtschaft, FHDW. Seine Algorithmen werden heute in verschiedenen Produkten, u.a. in den Bereichen der nuklearen Sicherheit und der Prozessindustrie, erfolgreich eingesetzt.
Résumé
Maschinelles Lernen und künstliche Intelligenz sind omnipräsente Begriffe zur Verbesserung von technischen Prozessen. Die praktische Umsetzung an realen Problemen gestaltet sich aber oft schwierig und komplex.
Dieses Lehrbuch erklärt Lernverfahren anhand von analytischen Konzepten im Zusammenspiel mit vollständigen Programmierbeispielen in Python und bezieht sich auf dabei stets auf reale technische Anwendungsszenarien. Es zeigt den Einsatz physikalisch-informierter Lernstrategien, die Einbeziehung von Unsicherheit in die Modellierung und den Aufbau von erklärbarer, vertrauenswürdiger künstlicher Intelligenz mit Hilfe spezialisierter Datenbanken.
Dieses Lehrbuch richtet sich somit sowohl an Studierende der Ingenieurswissenschaften, Naturwissenschaft, Medizin und Betriebswirtschaft als auch an Anwender aus der Industrie (vor allem Data Scientists), Entwickler*innen von Expertendatenbanken und Softwareentwickler*innen.
Texte suppl.
Maschinelles Lernen und künstliche Intelligenz sind omnipräsente Begriffe zur Verbesserung von technischen Prozessen. Die praktische Umsetzung an realen Problemen gestaltet sich aber oft schwierig und komplex. Dieses Lehrbuch erklärt Lernverfahren anhand von analytischen Konzepten im Zusammenspiel mit vollständigen Programmierbeispielen in Python und bezieht sich auf dabei stets auf reale technische Anwendungsszenarien. Es zeigt den Einsatz physikalisch-informierter Lernstrategien, die Einbeziehung von Unsicherheit in die Modellierung und den Aufbau von erklärbarer, vertrauenswürdiger künstlicher Intelligenz mit Hilfe spezialisierter Datenbanken. Dieses Lehrbuch richtet sich somit sowohl an Studierende der Ingenieurswissenschaften, Naturwissenschaft, Medizin und Betriebswirtschaft als auch an Anwender aus der Industrie (vor allem Data Scientists), Entwickler*innen von Expertendatenbanken und Softwareentwickler*innen.
