UID:
almahu_9949773593902882
Format:
XVII, 260 S. 78 Abb., 49 Abb. in Farbe.
,
online resource.
Edition:
1st ed. 2024.
ISBN:
9783662682166
Content:
Maschinelles Lernen und künstliche Intelligenz sind omnipräsente Technologien 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 Ingenieurwissenschaften, Naturwissenschaften, Medizin und Betriebswirtschaft als auch an Anwender aus der Industrie (vor allem Data Scientists), Entwickler*innen von Expertendatenbanken und Softwareentwickler*innen. Der Inhalt Einführung in die Arbeit mit Daten Mathematische Grundlagen Datenvorverarbeitung Überwachte und unüberwachte Lernverfahren Physikalisch-Informierte Lernverfahren Stochastische Lernverfahren Semantische Technologien Erklärbare, vertrauenswürdige künstliche Intelligenz Der Autor 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. .
Note:
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.
In:
Springer Nature eBook
Additional Edition:
Printed edition: ISBN 9783662682159
Language:
German
DOI:
10.1007/978-3-662-68216-6
URL:
https://doi.org/10.1007/978-3-662-68216-6
