Während die Kolleg*innen gerade auf der M3-Konferenz – Minds Mastering Machines – in Mannheim weilen und sich dort von einigen KI-Experten wie Mark Whitehorn (Keynote: “Dark Data is your friend”) oder unseren Autoren Ramon Wartala und Oliver Zeigermann persönlich in die aktuell brennendsten Fragen des Deep Learning und Machine Learning sowie der Datenanalyse einführen lassen, nehmen wir die Gelegenheit wahr, Euch hier drei unserer neuesten Bücher zum Thema vorzustellen.
Die Gemeinsamkeit aller drei Neuerscheinungen: Sie richten sich an Entwickler und Data Scientists, die konkrete Projekte und Lösungen für ihren Berufsalltag suchen. Die Musikstücke automatisch erkennen und zuordnen, Hintergründe in Bildern entfernen, Clustermodelle bewerten oder Rohdaten aufbereiten wollen. Die Bücher bauen auf unseren Grundlagenwerken wie Einführung in Machine Learning mit Python, Praxiseinstieg Deep Learning (gerade unser E-Book des Monats und damit 50 % günstiger) und natürlich unseren Dauerbrenner und Bestseller Neuronale Netze selbst programmieren auf.
Fangen wir an.
Deep Learning Kochbuch
Der Einsatz von Frameworks wie Keras und TensorFlow ermöglicht Deep-Learning-Anwendungen, ohne dass tiefgreifende Kenntnisse aus dem Machine Learning nötig sind. In bewährter Problem-Lösung-Diskussion-Struktur liefert das Deep Learning Kochbuch sofort einsatzfähige Rezepte, mit denen Data Scientists, Softwareentwickler oder Studierende typische Fragestellungen lösen können. (Selbst dann, wenn Ihr gerade erst in das Thema einsteigt.) Geschrieben hat es der Niederländer Douwe Osinga, der sein Wissen als Softwareentwickler bereits bei Google sowie als Startup-Gründer unter Beweis stellen durfte.
Und auch wenn es sich als klassisches O’Reilly-Kochbuch auf konkret umsetzbare, erprobte Lösungen fokussiert – und den dazu nötigen Code auf Github bereitstellt –, ist es auch immer noch ein Lehrbuch. Denn Douwe Osinga liefert eine kleine Geschichte des Deep Learning und bettet seinen Code schließlich in jedem Kapitel in sehr gut verständliches Grundlagenwissen ein. Seine Erklärungen sind leicht zugänglich, seine Beispiele berücksichtigen “nicht nur kommerzielle oder industrielle Interessen an dem Thema”, wie der Bibliotheksdienstleister ekz rezensierte, sondern “auch interessante Beispiele aus der Kultur (Klassifikation von
Musikstücken) und dem Alltagsleben des Computernutzers (z.B. Vorschlag eines Emoijs nach Textanalyse)”.
Ein Buch also, das nicht nur das Wissen vermittelt, sondern auch inspiriert und Lust auf eigene Coding-Experimente macht.
Machine Learning Kochbuch
Auch dies ein O’Reilly-Kochbuch, und damit auch hier: erprobte, funktionierende, sofort einsetzfähige Rezepte. Geschrieben hat es Chris Albon, ein Politikwissenschaftler und Data Scientist, der sein Wissen über KI-Methoden in enorm vielfältige Aufgaben investiert – von der Wahlbeobachtung bis zur Katastrophenhilfe. Aktuell arbeitet er an der Verbesserung des amerikanischen Gesundheitssystems durch Data Science- und Machine Learning. In seinem Buch liefert er knapp 200 Lösungen zu klassischen, häufig auftretenden Problemstellungen: Wie lassen sich Merkmale standardisieren? Wie kann man Satzzeichen entfernen, und wie Zeitzonen umrechnen oder Wochentage codieren? Und wenn wir Modelle erstellt haben, wie können wir deren Qualität bewerten?
Das Machine Learning Kochbuch deckt eine sehr große Themenbreite ab, und auch hier erhaltet Ihr nicht nur die Codeschnipsel, sondern auch eine pointierte Erklärung, in denen Ihr vom enormen Erfahrungsschatz des Autors profitiert und gleichzeitig Theorie und Konzepte vertieft.
Merkmalskonstruktion für Machine Learning
Dass Maschinen nur das tun können, was Menschen ihnen beibringen, ist ein alter Hut. Bei Tools und Technologien, die mit Künstlicher Intelligenz ausgestattet sind, kommt diesem “Beibringen” eine grundlegende Funktion zu. Mehr noch: Es ist ein wesentlicher Baustein des Machine Learning, aus so vielen Rohdaten wie möglich Merkmale zu gewinnen, in Form zu bringen und in den Pflegeroboter, das selbstfahrende Auto oder auch die kunstmalende Software einzuspielen.
Dem kritischen Prozess des sogenannten Feature Engineering – zu deutsch Merkmalskonstruktion – widmen die Datenanalystinnen Alice Zheng und Amanda Casari deshalb ein eigenes Buch, das wiederum durch hohe Praxisnähe überzeugt. Denn statt die Prinzipien der Datenaufbereitung nur zu beschreiben, liefern die Autorinnen praktische Übungen, mit denen Ihr sie verinnerlichen und umsetzen könnt. In den Beispielen setzen die Autorinnen Alice Zheng (aktuell Forschungsmanagerin bei Amazon Ads) und Amanda Casari (leitende Produktmanagerin, Datenanalytikerin und KI-Forscherin bei SAP Concur) Python-Pakete wie numpy, Pandas, scikit-learn und Matplotlib ein.
Alle Bücher sind bereits im Handel erhältlich, und zu allen Büchern halten wir wie immer ein Probekapitel bereit. Diese Leseproben inklusive eines ausführlichen Inhaltsverzeichnisses findet Ihr auf der jeweiligen Buchseite auf unserer Website (mit dem Foto des Buchs verlinkt).
Long story short: Diese drei Novis satteln als absolute Praxisbücher auf unsere erfolgreichen Grundlagenwerke zu Neuronalen Netzen, Machine Learning und Deep Learning auf und lassen Euch vom enormen Know-how ihrer Autor*innen profitieren.
P.S.: Und wer sich ganz grundsätzlich noch einmal die Highlights der Künstlichen Intelligenz anhören, Grundlagen erklären und Inspirationen durch spannende Anwendungsfälle holen möchte, dem sei unsere Podcast-Folge 018 “Machine Learning” von und mit Tim Pritlove und Oliver Zeigermann empfohlen. Unterhaltsam, kurzweilig und deshalb auch in der Konserve immer wieder gut!