Das in der 4. Auflage herausgebrachte Buch wird mittlerweile als Standardwerk zum Thema KI betrachtet. Russel und Norvig lassen keine Frage offen: Vom mathematischen Ansatz über Deep Learning und Natural Language Processing bis hin zur Sicherheit von KI. Verschiedene Themen werden von Grund auf erläutert und liefern damit insgesamt einen sehr umfangreichen, für Anfänger teilweise sehr fortgeschrittenen Ansatz. Wer auf der Suche nach einem ganzheitlichen Nachschlagewerk zum Themenkomplex KI ist, der sollte sich dieses Buch unbedingt anschauen. 

Python ist aufgrund der zahlreichen Bibliotheken für Data Scientists ein erstklassiges Tool zur Datenbearbeitung. Das Python Data Science Handbook erklärt zusammenfassend in einem Buch die zahlreichen Bibliotheken wie IPython, NumPy, Pandas, Matplotlib und Scikit-Learn. Ideal für Data Scientists, Engineers und alle, die es noch werden wollen, erklärt dieses Handbuch wie Data Science mit Python funktioniert. Das Buch bietet einen einfachen Einstieg und ist ein Must-Have für alle, die mit Python in der Welt von Data & AI durchstarten wollen.

In vielen kommerziellen Anwendungen und Projekten wird mittlerweile Machine Learning (ML) verwendet. Trotzdem ist die Technologie nicht limitiert auf große Unternehmen oder Forschungsteams. Dieses Buch erläutert, wie du praxisorientiert ML Anwendungen mithilfe von Python entwickelst – und das ohne besondere Vorkenntnisse. Du lernst, wie du Scikit-Learn benutzt, um ML Anwendungen mit Fokus auf die Anwendung, statt der Mathematik dahinter zu entwickeln. Wer bereits vertraut mit Matplotlib und Numpy ist, kann mithilfe dieses Buches darauf aufbauen und seine erste eigene ML Anwendung zum Leben erwecken. 

Dieses Buch zeigt, was wirklich funktioniert. Praxisorientiert und realitätsnah vermittelt das “Hundred-Page Machine Learning Book” kurz und knapp die aktuellen Konzepte und Instrumente zur Entwicklung von ML-Anwendungen. Wenn Du auf der Suche nach einem Start ins Thema ML bist, könnte dieses Buch genau das Richtige sein. Der Autor zeigt die grundlegenden Instrumente, die beim ML eine Rolle spielen – kurz und knapp verpackt auf 100 Seiten. 

Die Zunahme praktischer Anwendungen für Machine Learning in den letzten zehn Jahren wurde von vielen wichtigen Entwicklungen zugrunde liegender Algorithmen und Techniken begleitet. Bayes’sche Methoden sind mittlerweile Mainstream, während sich grafische Modelle als allgemeiner Rahmen für die Beschreibung und Anwendung probabilistischer Techniken durchgesetzt haben. Dieses Buch spiegelt diese jüngsten Entwicklungen wider und bietet gleichzeitig eine umfassende Einführung in die Bereiche Mustererkennung und Machine Learning. Dieses Buch richtet sich an Forscher:innen, Praktiker:innen und Student:innen und erklärt das gesamte Konzept der Mustererkennung und der Bayes’schen Methoden, ohne dass Vorkenntnisse dieser Konzepte vorausgesetzt werden.  

Deep Learning hat den gesamten Bereich der Künstlichen Intelligenz und seine Einsatzmöglichkeiten enorm vergrößert. Selbst Data Scientists, die nicht viel über Deep Learning wissen, können heute neuronale Netze erstellen. Dieses Buch zeigt, wie’s geht: Anhand konkreter Beispiele und modernster Frameworks erfährst du mehr über den gesamten ML-Workflow sowie verschiedene Trainingsmodelle, neuronale Netze und vieles mehr. Lerne die Werkzeuge und Technologien kennen, die du brauchst, um tiefe neuronale Netze mit diesen drei bekannten Frameworks zu trainieren und zu skalieren.   

Wenn Du dich schon mit den grundlegenden Konzepten von ML und KI auseinandergesetzt hast, fragst du dich bestimmt nicht, was ML kann, sondern wie. Dieses Buch gibt einen Einblick in künstliche neuronale Netze in Python und zeigt dir, wie du diese selber erstellen und trainieren kannst. Durch das Programmieren neuronaler Netze ohne jegliche Frameworks oder Bibliotheken lernst du die wirklichen Konzepte hinter der Technologie kennen. “Neural Networks from Scratch in Python” führt dich von deinen ersten Neuronen bis hin zur Evaluation eines ganzen neuronalen Netzes mit vielen Beispiel und dem dafür benötigten Python-Code. 

Künstliche Intelligenz, NLP, Big Data, Cloud Computing oder Deep Learning: Es gibt einen Dschungel von Buzzwords, mit denen Neulinge konfrontiert werden, wenn sie in die Welt der Daten und KI einsteigen. Dieses Buch bringt Licht ins Dunkel und hilft dabei zu verstehen, was ein Hadoop Distributed File System, neuronale Netze oder ein Data Lake sind und wie Machine Learning aus Unternehmenssicht funktioniert. Der Data & AI Guide klärt dich über die gängigsten und am weitesten verbreiteten Tools, Best Practices und Workflows auf, damit du für deinen Weg zur Implementierung von ML gerüstet bist. 

Deep Learning ermöglicht es Computern, schwierige Konzepte als hierarchischen Graphen mit vielen Schichten zu lernen. “Deep Learning” bietet eine Einführung in eine breite Palette von Themenbereichen des Deep Learning. Das Buch liefert den mathematischen und konzeptionellen Hintergrund, zeigt die heute in der Industrie genutzte Deep Learning Technologien auf. Aktuelle Anwendungsbereiche wie NLP, Computer Vision oder Online-Empfehlungssysteme werden erklärt und ein Überblick über die Forschungsperspektiven in dem Gebiet gegeben. Das Buch eignet sich sowohl für Studierende und Forscher:innen als auch für Interessierte, die tief in die Konzepte des Deep Learning eintauchen wollen. 

Systemdesign steht vor großen Herausforderungen: Faktoren wie Daten, Skalierbarkeit, Konsistenz, Wartbarkeit, Zuverlässigkeit und Effizienz müssen berücksichtigt werden. Schlagwörter wie NoSQL, relationale Datenbanken, Streaming-Prozessoren oder Distributed Computing machen das Thema noch komplizierter. Der Autor Martin Kleppmann führt dich in diesem praktischen und detaillierten Handbuch durch die Vor- und Nachteile der verschiedenen Datenverarbeitungs- und Speichersysteme. Obwohl sich Software weiterentwickelt, bleiben die grundlegenden Ideen die Gleichen: Software-Ingenieure und -Architekten lernen hier, wie man datenintensive Anwendungen in die Realität umsetzt und Daten in modernen Systemen optimal nutzen kann. Erhalte einen Einblick in die Konzepte von heute und erfahre, wie du selbst ein Big-Data-freundliches Ökosystem für den Einsatz von ML und KI aufbauen kannst.