Wie Maschinen lernen

Inhaltsverzeichnis

Einleitung - Algorithmen - Maschinelles Lernen - Daten - Regression - Klassifikation - Clusteranalyse - Lineare Regression - Ausreißer - k-Nächste-Nachbarn - k-Means - Fluch der Dimensionalität - Support Vector Machine - Logistische Regression - Entscheidungsbäume - Verzerrung-Varianz-Dilemma - Hauptkomponentenanalyse - Eine kurze Geschichte der künstlichen Intelligenz - Big Data - Neuronale Netze - Faltungsnetze - Gradientenabstiegsverfahren - No Free Lunch Theorem - Bayesregel - Generative gegnerische Netzwerke - Verstärkendes Lernen - Weizenbaum und die Mystifizierung von KI - Künstliche Intelligenz und Sicherheit - Künstliche Intelligenz und Ethik - Schlusswort.


Wie Maschinen lernen

Künstliche Intelligenz verständlich erklärt

Buch (Taschenbuch)

24,99 €

inkl. gesetzl. MwSt.

Wie Maschinen lernen

Ebenfalls verfügbar als:

Taschenbuch

Taschenbuch

ab 24,99 €
eBook

eBook

ab 19,99 €

Beschreibung

Details

Einband

Taschenbuch

Erscheinungsdatum

30.10.2019

Herausgeber

Kristian Kersting + weitere

Verlag

Springer Fachmedien Wiesbaden GmbH

Seitenzahl

245

Beschreibung

Rezension

“... Das Buch beweist, dass Lesen spaß machen und zugleich sehr informativ sein kann und es liefert eine wichtige Faktengrundlage für eine teils überhitzte öffentliche Debatte ...” (Die Presse, 22. April 2020)

“… Immer mehr Menschen müssen täglich Entscheidungen treffen, die in irgendeiner Form mit der Digitalisierung zusammenhängen; das vorliegende Buch hilft, die Begriffe nicht nur kennenzulernen, sondern ein tieferes Verständnis für sie zu entwickeln.” (IT Mittelstand, Heft 1-2, 1. Februar 2019)

Portrait


Kristian Kersting ist Professor für maschinelles Lernen am Fachbereich Informatik der Technischen Universität Darmstadt und leitet dort das Machine Learning Lab.

Christoph Lampert ist Professor am Institute of Science and Technology (IST Austria) und Leiter der Forschungsgruppe für Computer Vision and Machine Learning.

Constantin Rothkopf ist Gründungsdirektor des Zentrums für Kognitionswissenschaft und arbeitet am Institut für Psychologie der Technischen Universität Darmstadt.

Die Beitragsautorinnen und -autoren


Von der Studienstiftung des deutschen Volkes geförderte Studierende aus ganz Deutschland und Mitglieder der Arbeitsgruppe „Künstliche Intelligenz – Fakten, Chancen, Risiken”: Jannik Kossen, Maike Elisa Müller, Nicolas Berberich, Fabrizio Kuruc, Jana Aberham, Christian Hölzer, Elena Natterer, Ina Kalder, Michael Krause, Theresa Schüler, Wolfgang Böttcher, Charlotte Bunne, Justin Fehrling, Alexandros Gilch, Thomas Herrmann, Leon Hetzel, Dorothea Müller, Michael Neumann, Lars Frederik Peiss, Max Ruckriegel, Johannes von Stetten, Frederik Wangelik. Die Reihenfolge der Autorinnen und Autoren in den Kapiteln ist alphabetisch sortiert.

Details

Einband

Taschenbuch

Erscheinungsdatum

30.10.2019

Herausgeber

Verlag

Springer Fachmedien Wiesbaden GmbH

Seitenzahl

245

Maße (L/B/H)

20,3/12,7/1,4 cm

Gewicht

323 g

Auflage

1. Auflage 2019

Sprache

Deutsch

ISBN

978-3-658-26762-9

Das meinen unsere Kund*innen

0.0

0 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Kund*innenkonto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Verfassen Sie die erste Bewertung zu diesem Artikel

Helfen Sie anderen Kund*innen durch Ihre Meinung

Erste Bewertung verfassen

Unsere Kund*innen meinen

0.0

0 Bewertungen filtern

Weitere Artikel finden Sie in

  • Wie Maschinen lernen
  • Einleitung - Algorithmen - Maschinelles Lernen - Daten - Regression - Klassifikation - Clusteranalyse - Lineare Regression - Ausreißer - k-Nächste-Nachbarn - k-Means - Fluch der Dimensionalität - Support Vector Machine - Logistische Regression - Entscheidungsbäume - Verzerrung-Varianz-Dilemma - Hauptkomponentenanalyse - Eine kurze Geschichte der künstlichen Intelligenz - Big Data - Neuronale Netze - Faltungsnetze - Gradientenabstiegsverfahren - No Free Lunch Theorem - Bayesregel - Generative gegnerische Netzwerke - Verstärkendes Lernen - Weizenbaum und die Mystifizierung von KI - Künstliche Intelligenz und Sicherheit - Künstliche Intelligenz und Ethik - Schlusswort.