Verfügbarkeit: Künstliche Intelligenz

Künstliche Intelligenz: was steckt hinter der Technologie der Zukunft?

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Paass, Gerhard 1949- (VerfasserIn), Hecker, Dirk 1976- (VerfasserIn)
Format:	Buch
Sprache:	German
Veröffentlicht:	Wiesbaden Springer Vieweg [2020]
Schlagworte:	Artificial Intelligence Artificial intelligence Künstliche Intelligenz
Online-Zugang:	Inhaltsverzeichnis Inhaltsverzeichnis
Beschreibung:	XXII, 496 Seiten Illustrationen, Diagramme 24 cm
ISBN:	9783658302108 3658302100

Internformat

MARC


LEADER	00000nam a2200000zc 4500
001	BV047312452
003	DE-604
005	20211104
007	t
008	210607s2020 a\|\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 1211194841 \|2 DE-101
020			\|a 9783658302108 \|c Broschur : EUR 34.99 (DE), EUR 35.97 (AT), circa CHF 39.00 (freier Preis) \|9 978-3-658-30210-8
020			\|a 3658302100 \|9 3-658-30210-0
035			\|a (OCoLC)1246281007
035			\|a (DE-599)BVBBV047312452
040			\|a DE-604 \|b ger \|e rda
041	0		\|a ger
049			\|a DE-1029 \|a DE-860 \|a DE-210 \|a DE-12 \|a DE-898
082	0		\|a 006.3 \|2 23/ger
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a 004 \|2 23sdnb
100	1		\|a Paass, Gerhard \|d 1949- \|e Verfasser \|0 (DE-588)170208907 \|4 aut
245	1	0	\|a Künstliche Intelligenz \|b was steckt hinter der Technologie der Zukunft? \|c Gerhard Paaß, Dirk Hecker
264		1	\|a Wiesbaden \|b Springer Vieweg \|c [2020]
264		4	\|c © 2020
300			\|a XXII, 496 Seiten \|b Illustrationen, Diagramme \|c 24 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650		4	\|a Artificial Intelligence
650		4	\|a Artificial intelligence
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
689	0	0	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	0		\|5 DE-604
700	1		\|a Hecker, Dirk \|d 1976- \|e Verfasser \|0 (DE-588)1236533577 \|4 aut
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe \|z 978-3-658-30211-5
856	4	2	\|q application/pdf \|u http://deposit.dnb.de/cgi-bin/dokserv?id=7691840d87624345bee61e97ae456378&prov=M&dok_var=1&dok_ext=htm \|3 Inhaltsverzeichnis
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032715358&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
999			\|a oai:aleph.bib-bvb.de:BVB01-032715358

Datensatz im Suchindex

_version_	1804182503084261376
adam_text	INHALTSVERZEICHNIS 1 WAS IST INTELLIGENT AN KUENSTLICHER INTELLIGENZ? ..................................................... 1 1.1 MENSCHLICHE INTELLIGENZ HAT VIELE DIMENSIONEN ........................................... 1 1.2 WORAN ERKENNT MAN KUENSTLICHE INTELLIGENZ ................................................... 2 1.3 COMPUTER LERNEN ............................................................................................... 3 1.4 TIEFE NEURONALE NETZE KOENNEN OBJEKTE ERKENNEN ........................................ 6 1.5 WIE KANN MAN KUENSTLICHE INTELLIGENZ VERSTEHEN? ........................................ 8 1.6 DIE GESCHICHTE DER KUENSTLICHEN INTELLIGENZ ................................................... 10 1.7 ZUSAMMENFASSUNG ........................................................................................... 12 LITERATUR ...................................................................................................................... 13 2 WAS KANN KUENSTLICHE INTELLIGENZ? ........................................................................... 15 2.1 OBJEKTERKENNUNG IN BILDERN ............................................................................ 15 2.1.1 MEDIZINISCHE DIAGNOSE ...................................................................... 17 2.1.2 VORHERSAGE DER 3D-STRUKTUR VON PROTEINEN ...................................... 18 2.2 SPRACHERKENNUNG ............................................................................................. 19 2.3 MASCHINELLE UEBERSETZUNG ................................................................................ 20 2.4 DIE BEANTWORTUNG NATUERLICHSPRACHIGER FRAGEN ............................................ 22 2.5 DIALOGE UND PERSOENLICHE ASSISTENTEN ............................................................. 25 2.6 BRETTSPIELE ........................................................................................................ 27 2.6.1 DAS STRATEGIESPIEL GO .......................................................................... 28 2.6.2 KUENSTLICHE INTELLIGENZ GEWINNT GEGEN FUENF POKER-PROFESSIONALS ... 29 2.7 VIDEOSPIELE ........................................................................................................ 29 2.7.1 ATARI 2600 SPIELEKONSOLE .................................................................... 30 2.7.2 CAPTURE THE FLAG .................................................................................. 30 2.7.3 DAS ECHTZEIT-STRATEGIESPIEL DOTA2 ..................................................... 32 2.8 SELBSTFAHRENDE AUTOS ....................................................................................... 33 2.8.1 WEITERENTWICKLUNG DER SELBSTFAHRENDEN AUTOS .................................. 34 2.9 DER COMPUTER ALS KREATIVES MEDIUM ............................................................. 35 2.9.1 NEUE BILDER KOMPONIEREN .................................................................. 36 2.9.2 GESCHICHTEN ERFINDEN .......................................................................... 38 2.10 ALLGEMEINE KUENSTLICHE INTELLIGENZ ............................................................... 39 XII INHALTSVERZEICHNIS 2.11 ZUSAMMENFASSUNG .......................................................................................... 40 LITERATUR ....................................................................................................................... 40 3 EINIGE GRUNDBEGRIFFE DES MASCHINELLEN LERNENS ................................................. 45 3.1 DIE WICHTIGSTEN ARTEN DES MASCHINELLEN LERNENS ........................................ 45 3.1.1 UEBERWACHTES LERNEN .......................................................................... 45 3.1.2 UNUEBERWACHTES LERNEN ........................................ 46 3.1.3 BESTAERKUNGSLERNEN ............................................................................... 47 3.2 PROGRAMMIEREN UND LERNEN ............................................................................ 48 3.2.1 MODELLE TRANSFORMIEREN EINE EINGABE IN EINE AUSGABE ................... 48 3.2.2 ALGORITHMEN ARBEITEN SCHRITTWEISE EINE LISTE VON ANWEISUNGEN AB ................................................................................... 50 3.2.3 EIN LERNPROBLEM: DIE ERKENNUNG VON ZIFFERN .................................. 50 3.2.4 VEKTOREN, MATRIZEN UND TENSOREN ..................................................... 51 3.3 LERNEN EINES ZUSAMMENHANGS ........................................................................ 53 3.3.1 SCHEMA FUER DAS LERNEN: MODELL, VERLUSTFUNKTION UND OPTIMIERUNG ......................................................................................... 53 3.3.2 DETAILLIERTER ABLAUF DES LERNENS ....................................................... 53 3.4 EIN SIMPLES MODELL: DIE LOGISTISCHE REGRESSION .......................................... 56 3.4.1 BERECHNUNG EINES PUNKTWERTES ......................................................... 56 3.4.2 DIE GLEICHZEITIGE BERECHNUNG ALLER PUNKTWERTE ................................ 58 3.4.3 LINEARE TRANSFORMATION ...................................................................... 59 3.4.4 DIE SOFTMAXFUNKTION ERZEUGT EINEN WAHRSCHEINLICHKEITSVEKTOR ... 60 3.4.5 DAS LOGISTISCHE REGRESSIONSMODELL ................................................... 61 3.5 DIE GUETE DES MODELLS ....................................................................................... 62 3.5.1 MASSSTAB FUER DIE MODELLGUETE: DIE WAHRSCHEINLICHKEIT DER KOMPLETTEN TRAININGSDATEN .................................................................. 62 3.5.2 WIE MISST MAN DEN LERNERFOLG: DIE VERLUSTFUNKTION ....................... 63 3.5.3 VERDEUTLICHUNG FUER ZWEI KLASSEN UND ZWEI EINGABEMERKMALE .... 65 3.6 OPTIMIERUNG, ODER WIE FINDET MAN DIE BESTEN PARAMETERWERTE .................... 66 3.6.1 DER GRADIENT ZEIGT IN RICHTUNG DES STEILSTEN ANSTIEGS ..................... 67 3.6.2 DER GRADIENT FUER MEHRERE DIMENSIONEN .......................................... 67 3.6.3 DER GRADIENT DER VERLUSTFUNKTION ....................................................... 69 3.6.4 SCHRITTWEISE MINIMIERUNG DURCH GRADIENTENABSTIEG ....................... 71 3.6.5 DIE LERNRATE BESTIMMT DIE LAENGE EINES OPTIMIERUNGSCHRITTS ......... 72 3.6.6 GRADIENTENABSTIEG MIT MINIBATCH BENOETIGT VIEL WENIGER RECHENAUFWAND ................................................................................... 72 3.7 UEBERPRUEFUNG DES LERNERFOLGES ........................................................................ 74 3.7.1 ANWENDUNG DES MODELLS AUF NEUE DATEN ......................................... 74 3.7.2 UEBERPRUEFUNG DER GENAUIGKEIT AUF DER TESTMENGE ............................ 75 3.7.3 PRAEZISION UND RECALL FUER KLASSEN UNTERSCHIEDLICHEN UMFANGS .... 76 3.8 ZUSAMMENFASSUNG ........................................................................................... 77 LITERATUR ....................................................................................................................... 78 INHALTSVERZEICHNIS XIII 4 TIEFES LERNEN KANN KOMPLEXE ZUSAMMENHAENGE ERFASSEN ................................. 79 4.1 BEIM XOR-PROBLEM GIBT ES INTERAKTIONEN ZWISCHEN DEN MERKMALEN ........ 79 4.2 NICHTLINEARITAETEN ERZEUGEN GEBOGENE TRENNFLAECHEN ...................................... 82 4.3 TIEFE NEURONALE NETZE SIND STAPEL VON NICHTLINEAREN SCHICHTEN ................. 87 4.3.1 VEKTOREN UND TENSOREN REPRAESENTIEREN DIE UMGEFORMTEN INHALTE. ... 88 4.4 TRAINING VON TNN MIT BACKPROPAGATION-VERFAHREN .................................... 90 4.5 TOOLKITS ERLEICHTERN DIE FORMULIERUNG UND DAS TRAINING VON TNN ............. 93 4.5.1 PARALLELE BERECHNUNGEN BESCHLEUNIGEN DAS TRAINING VON TNN. ... 93 4.5.2 TOOLKITS ERLEICHTERN DIE ARBEIT MIT TNN .......................................... 94 4.6 WIE MACHE ICH DAS NETZ BESSER? .................................................................... 96 4.6.1 ITERATIVE KONSTRUKTION EINES GUTEN MODELLS MIT DER VALIDATIONSMENGE ................................................................................ 96 4.6.2 UNTERANPASSUNG UND UEBERANPASSUNG FUEHREN ZU HOEHEREN FEHLEM ... 97 4.6.3 EIN BEISPIEL FUER UEBERANPASSUNG ......................................................... 98 4.6.4 REGULARISIERUNGSVERFAHREN REDUZIEREN DEN GENERALISIERUNGSFEHLER ........................................................................ 100 4.7 UNTERSCHIEDLICHE ANWENDUNGEN ERFORDERN NETZE UNTERSCHIEDLICHEN AUFBAUS ............................................................................................................ 103 4.7.1 MEHRSCHICHTIGES FEEDFORWARD-NETZ ................................................... 104 4.7.2 CONVOLUTIONAL NEURAL NETWORK (CNN) ............................................ 105 4.7.3 REKURRENTES NEURONALES NETZ (RNN) ................................................ 105 4.7.4 BESTAERKUNGSLEMEN-NETZ ...................................................................... 105 4.7.5 GENERATIVES ADVERSARIALES NETZ (GAN) ............................................ 106 4.7.6 AUTOENCODER-NETZE ERZEUGEN EINE KOMPRIMIERTE DARSTELLUNG ......... 106 4.7.7 ARCHITEKTUREN FUER BESTIMMTE MEDIEN UND ANWENDUNGSBEREICHE. ... 106 4.8 DIE KONSTRUKTION EINES TIEFEN NEURONALEN NETZES IST EIN SUCHPROZESS .... 108 4.8.1 AUSWAHL DER ANZAHL DER PARAMETER UND DER HYPERPARAMETER ......... 108 4.8.2 DER STANDARD-PROZESS DER MODELLSUCHE FUEHRT ZU BESSEREN MODELLEN ............................................................................................. 109 4.8.3 AUTOMATISCHE SUCHE VON MODELLARCHITEKTUREN UND HYPERPARAMETERN ................................................................................... 111 4.9 BIOLOGISCHE NEURONALE NETZE FUNKTIONIEREN ANDERS ...................................... 114 4.10 ZUSAMMENFASSUNG UND TRENDS ........................................................................ 116 LITERATUR ......................................................................................................................... 117 5 BILDERKENNUNG MIT TIEFEN NEURONALEN NETZEN ....................................................... 119 5.1 WAS BEDEUTET EIGENTLICH BILDERKENNUNG? ....................................................... 119 5.1.1 ARTEN DER OBJEKTERKENNUNG IN BILDERN ............................................ 119 5.1.2 INSPIRATIONEN AUS DER BIOLOGIE .............................................................. 120 5.1.3 WARUM IST EINE BILDERKENNUNG SCHWIERIG? ...................................... 123 5.2 DIE BESTANDTEILE EINES CONVOLUTIONAL NEURAL NETWORKS .............................. 123 5.2.1 DER KERNEL EINER CONVOLUTION-SCHICHT ANALYSIERT KLEINE BILDBEREICHE ............................................................................ 123 XIV INHALTSVERZEICHNIS 5.2.2 CONVOLUTION-SCHICHT MIT VIELEN KERNELN REAGIERT AUF VIELE MERKMALE ............................................................................................. 126 5.2.3 DIE POOLING-SCHICHT WAEHLT DIE WICHTIGSTEN MERKMALE AUS ............. 127 5.3 EIN EINFACHES CONVOLUTIONAL NEURAL NETWORK FUER DIE ZIFFERNERKENNUNG. .. 128 5.4 DER IMAGENET WETTBEWERB BEFEUERT DIE METHODENENTWICKLUNG .................... 130 5.5 FORTSCHRITTLICHE CONVOLUTIONAL NEURAL NETWORKS ............................................. 132 5.5.1 ALEXNET NUTZT ERFOLGREICH GPUS ZUM TRAINING ................................... 132 5.5.2 RESNET ERLEICHTERT DIE OPTIMIERUNG DURCH UMGEHUNGSPFADE ......... 133 5.5.3 DENSENET VERWENDET ZUSAETZLICHE UMGEHUNGSPFADE .......................... 136 5.5.4 RESNEXT NUTZT TRANSFORMIERTE BILDER ZUM TRAINING ............................ 137 5.6 ANALYSE DER CNN ERGEBNISSE ........................................................................ 138 5.6.1 EINZELNE KERNEL REAGIEREN AUF MERKMALE UNTERSCHIEDLICHER ART UND GROESSE ..................................................................................... 138 5.6.2 AEHNLICHEN BILDERN ENTSPRECHEN BENACHBARTE VERDECKTE VEKTOREN ... 139 5.7 TRANSFERLERNEN REDUZIERT DEN BEDARF AN TRAININGSDATEN ................................... 140 5.8 LOKALISIERUNG EINES OBJEKTES IM BILD ........................................................... 143 5.8.1 OBJEKTLOKALISIERUNG DURCH RECHTECKE ................................................. 143 5.8.2 BILDSEGMENTIERUNG ZUR PIXELGENAUE BESTIMMUNG VON KLASSEN. .. . 145 5.8.3 MAX-UNPOOLING BELEGT EIN VERGROESSERTES FELD MIT WERTEN ............... 146 5.8.4 DAS U-NET ERKENNT ZUNAECHST OBJEKTE UND FINDET DANN DIE ZUGEHOERIGEN PIXEL ................................................................................. 147 5.9 DIE 3D-REKONSTRUKTION EINER SZENE .............................................................. 149 5.10 GESICHTER KOENNEN MIT SEHR HOHER GENAUIGKEIT ZUGEORDNET WERDEN ............. 150 5.11 ABSCHAETZUNG DER GENAUIGKEIT VON MODELLPROGNOSEN ..................................... 152 5.11.1 UNSICHERHEIT DER MODELLPROGNOSEN ................................................... 153 5.11.2 DER BOOTSTRAP ERZEUGT EINE MENGE PLAUSIBLER MODELLE ...................... 155 5.11.3 BAYESSCHE NEURONALE NETZE ................................................................ 155 5.12 ZUVERLAESSIGKEIT DER BILDERKENNUNG .................................................................. 157 5.12.1 DER EINFLUSS VON BILDVERZERRUNGEN ................................................... 157 5.12.2 GEZIELTE KONSTRUKTION VON FALSCHKLASSIFIZIERTEN BILDERN .................... 160 5.13 ZUSAMMENFASSUNG UND TRENDS ........................................................................... 163 LITERATUR ....................................................................................................................... 164 6 ERFASSUNG DER BEDEUTUNG VON GESCHRIEBENEM TEXT ............................................. 167 6.1 WIE KANN MAN DIE BEDEUTUNG VON WOERTERN DURCH VEKTOREN DARSTELLEN? ... 170 6.1.1 DAS KONZEPT DER EMBEDDINGVEKTOREN ................................................. 172 6.1.2 BERECHNUNG VON EMBEDDINGVEKTOREN MIT WORD2VEC ........................ 173 6.1.3 DIE APPROXIMATION DER SOFTMAXFUNKTION REDUZIERT DEN RECHENAUFWAND ...................................................................................... 175 6.2 EIGENSCHAFTEN DER EMBEDDING-VEKTOREN .......................................................... 176 6.2.1 NAECHSTE NACHBARN VON EMBEDDINGS HABEN AEHNLICHE BEDEUTUNGEN ... 176 INHALTSVERZEICHNIS XV 6.2.2 DIFFERENZEN ZWISCHEN EMBEDDINGS LASSEN SICH ALS RELATIONEN INTERPRETIEREN ......................................................................................... 178 6.2.3 FASTTEXT NUTZT N-GRAMME VON BUCHSTABEN ......................................... 180 6.2.4 STARSPACE ERZEUGEN EMBEDDINGS FUER ANDERE OBJEKTE ........................ 182 6.3 REKURRENTE NEURONALE NETZE ZUR ERFASSUNG VON SEQUENZEN .......................... 183 6.3.1 REKURRENTE NEURONALE NETZE ALS SPRACHMODELLE ................................ 184 6.3.2 TRAINING DER REKURRENTEN NEURONALEN NETZE ......................................... 186 6.3.3 DIE EIGENSCHAFTEN DER GRADIENTEN BEIM RNN .................................... 187 6.4 DAS LONG-SHORT TERM MEMORY (LSTM) IST EIN LANGZEITSPEICHER ............. 189 6.4.1 GATTER STEUERN DIE SPEICHERVORGAENGE ................................................... 189 6.4.2 LSTMS MIT MEHREREN SCHICHTEN ......................................................... 192 6.4.3 ANWENDUNGEN DES LSTM .................................................................... 193 6.4.4 BIDIREKTIONALE LSTM-NETZE ZUR PROGNOSE VON WORTEIGENSCHAFTEN ................................................................................. 195 6.4.5 VISUALISIERUNG VON REKURRENTEN NEURONALEN NETZEN ............................ 197 6.5 UEBERSETZUNG: TRANSFORMATION EINER SEQUENZ IN EINE ANDERE SEQUENZ .......... 198 6.5.1 SEQUENCE-TO-SEQUENCE NETZE ZUR UEBERSETZUNG .................................. 199 6.5.2 ATTENTION: VERBESSERUNG DER UEBERSETZUNG DURCH RUECKGRIFF AUF DIE EINGABEWORTE ............................................................................ 203 6.5.3 UEBERSETZUNGSERGEBNISSE MIT ATTENTION ................................................. 205 6.6 TRANSFORMER-UEBERSETZUNGSMODELLE ................................................................. 208 6.6.1 SELBSTATTENTION ANALYSIERT DIE ABHAENGIGKEITEN DER WORTE EINES SATZES ...........................................................................................209 6.6.2 KREUZATTENTION ANALYSIERT DIE ABHAENGIGKEITEN ZWISCHEN EIN UND AUSGABE .................................................................................. 210 6.6.3 TRANSFORMER-ARCHITEKTUR NUTZT SELBST UND KREUZATTENTION ............. 212 6.6.4 TRAINING DES TRANSFORMERS FUER DIE SPRACHUEBERSETZUNG ..................... 214 6.6.5 BYTE-PAIR KODIERUNG ZUR REDUKTION DES VOKABULARS UND ZUR REPRAESENTATION UNBEKANNTER WOERTER ..................................................... 216 6.6.6 ERGEBNISSE FUER DAS TRANSFORMER-MODELL .............................................. 216 6.6.7 SIMULTANE UEBERSETZUNG ERFORDERT WARTEZEITEN .................................... 219 6.7 BERT: SPRACHMODELLE FUER DIE REPRAESENTATION VON BEDEUTUNGEN ............... 221 6.7.1 BERT-ARCHITEKTUR ................................................................................ 221 6.7.2 BERT-PROGNOSEAUFGABEN ZUM UNUEBERWACHTEN VORTRAINING ............. 222 6.8 TRANSFERLERNEN MIT UMFANGREICHEN BERT-MODELLEN DER SPRACHE ............... 224 6.8.1 SEMANTISCHE KLASSIFIKATIONSAUFGABEN ................................................. 224 6.8.2 DIE BEANTWORTUNG VON FRAGEN ............................................................. 226 6.8.3 EXTRAKTION VON WELTWISSEN ................................................................. 228 6.8.4 TRANSFERLERNEN FUER UEBERSETZUNGSMODELLE ............................................ 231 6.8.5 ANWENDUNG VON BERT IN DER WEB-SUCHE .......................................... 233 6.9 DIE BESCHREIBUNG VON BILDERN DURCH TEXT ........................................................ 234 6.10 DIE ERKLAERUNG DER PROGNOSEN VON TNN ............................................................237 6.10.1 ERKLAERUNGEN SIND NOTWENDIG ..............................................................237 XVI INHALTSVERZEICHNIS 6.10.2 GLOBALE ERKLAERUNGSMODELLE ..................................................................238 6.10.3 LOKALE ERKLAERUNGSMODELLE .................................................................... 239 6.11 ZUVERLAESSIGKEIT DER TEXTERKENNUNG .................................................................. 241 6.11.1 ROBUSTHEIT BEI TEXTFEHLEM UND AENDERUNG DER DOMAENE ...................... 241 6.11.2 ANFAELLIGKEIT FUER BOESWILLIGE AENDERUNG VON EINGABEN ........................ 242 6.12 ZUSAMMENFASSUNG UND TRENDS ........................................................................... 243 LITERATUR .........................................................................................................................245 7 GESPROCHENE SPRACHE VERSTEHEN ................................................................................ 249 7.1 SPRACHERKENNUNG ................................................................................................249 7.1.1 WARUM IST SPRACHERKENNUNG SCHWIERIG? .............................................249 7.1.2 WIE KANN MAN SPRACHSIGNALE IM COMPUTER DARSTELLEN? ................... 250 7.1.3 MESSUNG DER GENAUIGKEIT DER SPRACHERKENNUNG ................................ 253 7.1.4 DIE GESCHICHTE DER SPRACHERKENNUNG ................................................. 254 7.2 TIEFE SEQUENCE-TO-SEQUENCE-MODELLE .............................................................. 255 7.2.1 LISTEN-ATTEND-SPELL ERZEUGT EINE FOLGE VON BUCHSTABEN ................... 256 7.2.2 SEQUENCE-TO-SEQUENCE MODELL FUER WORTE UND SILBEN ........................259 7.3 CONVOLUTIONAL NEURAL NETWORK ZUR SPRACHERKENNUNG ....................................259 7.3.1 CNN MODELLE ......................................................................................... 260 7.3.2 KOMBINIERTE MODELLE ............................................................................. 263 7.4 LIPPENLESEN ........................................................................................................ 264 7.5 ERZEUGUNG VON GESPROCHENER SPRACHE AUS TEXT ............................................... 265 7.5.1 WAVENET MIT GEDEHNTEN CONVOLUTION-SCHICHTEN FUER LANGE ABHAENGIGKEITEN ..................................................................................... 266 7.5.2 DAS TACOTRON ERZEUGT EIN SPEKTROGRAMM ............................................. 268 7.6 DIALOGE UND SPRACHASSISTENTEN ........................................................................ 270 7.7 GUNROCK: EIN ERWEITERTER ALEXA-SPRACHASSISTENT ............................................. 272 7.7.1 SPRACHVERSTEHEN ..................................................................................... 273 7.7.2 DIALOGMANAGEMENT ...............................................................................274 7.7.3 ANTWORTERZEUGUNG ................................................................................. 275 7.7.4 ERPROBUNG DES SPRACHASSISTENTEN .......................................................... 275 7.8 ANALYSE DER INHALTE VON VIDEOS ........................................................................ 276 7.8.1 AUFGABEN DER VIDEOINHALTSANALYSE ....................................................... 277 7.8.2 TRAININGSDATEN ZUR KLASSIFIKATION VON VIDEOS NACH AKTIVITAETEN ... 277 7.8.3 CONVOLUTION-SCHICHTEN ZUR ERKENNUNG VON VIDEOINHALTEN ............. 278 7.8.4 GENAUIGKEIT DER VIDEOKLASSIFIKATION ................................................... 281 7.8.5 DIE ERZEUGUNG VON UNTERTITELN FUER VIDEOS ........................................... 282 7.9 ZUVERLAESSIGKEIT DER VERARBEITUNG GESPROCHENER SPRACHE ................................ 285 7.9.1 DER EFFEKT VON RAUSCHEN UND ANDEREN VERZERRUNGEN AUF DIE SPRACHERKENNUNG ................................................................................... 286 7.9.2 ADVERSARIALE ATTACKEN AUF DIE AUTOMATISCHE SPRACHERKENNUNG. ... 286 7.10 ZUSAMMENFASSUNG ..............................................................................................287 LITERATUR ......................................................................................................................... 289 INHALTSVERZEICHNIS XVII 8 LERNEN VON OPTIMALEN STRATEGIEN ............................................................................. 293 8.1 EINIGE GRUNDBEGRIFFE ......................................................................................... 295 8.2 TIEFES Q-NETZ ...................................................................................................... 298 8.2.1 STRATEGIE ZUR MAXIMIERUNG DER SUMME DER BELOHNUNGEN ...............298 8.2.2 EINE KLEINE NAVIGATIONSAUFGABE ...........................................................298 8.2.3 DISKONTIERTER ZUKUENFTIGER GEWINN BELOHNT SCHNELLE LOESUNGEN .... 299 8.2.4 DIE Q-FUNKTION BEWERTET ZUSTANDS-AKTIONSPAARE ..............................299 8.2.5 DIE BELLMANGLEICHUNG STELLT EINE BEZIEHUNG ZWISCHEN Q-WERTEN HER ......................................................................................... 300 8.2.6 APPROXIMATION DER Q-FUNKTION DURCH EIN TIEFES NEURONALES NETZ ... 301 8.2.7 Q-LERNEN: TRAINING EINES TIEFEN Q-NETZES .......................................... 301 8.3 ANWENDUNG VON Q-LERNEN AUF ATARI VIDEOSPIELE .......................................... 305 8.3.1 DEFINITION DES SPIELZUSTANDS BEI ATARI-SPIELEN .................................. 305 8.3.2 ARCHITEKTUR DES ATARI-NETZES ................................................................306 8.3.3 TRAINING ................................................................................................. 306 8.3.4 AUSWERTUNG DER TIEFEN NEURONALEN NETZE DER ATARI-VIDEOSPIELE ... 307 8.4 STRATEGIEGRADIENTEN ZUM ERLERNEN VON STOCHASTISCHEN STRATEGIEN ...............309 8.4.1 NOTWENDIGKEIT VON STRATEGIEN MIT ZUFALLSELEMENTEN ..........................309 8.4.2 DIREKTE OPTIMIERUNG EINER STRATEGIE DURCH STRATEGIEGRADIENTEN ... 310 8.4.3 ERWEITERUNGEN DES STRATEGIEGRADIENTEN: ACTOR-CRITIC UND PROXIMAL POLICY OPTIMIZATION ............................................................. 312 8.4.4 ANWENDUNG AUF ROBOTIK UND GO .........................................................314 8.4.5 ANWENDUNG IN DOTA2 ............................................................................316 8.5 SELBSTFAHRENDE AUTOS ......................................................................................... 317 8.5.1 SENSOREN SELBSTFAHRENDER AUTOS ........................................................... 318 8.5.2 FUNKTIONALITAET EINES AGENTEN FUERS AUTONOME FAHREN ..........................319 8.5.3 FEINTUNING DURCH SIMULATION ................................................................ 322 8.6 ZUVERLAESSIGKEIT DES BESTAERKUNGSIEMENS ......................................................... 325 8.6.1 TRAINING IN SIMULATIONSUMGEBUNGEN OFT SCHWIERIG UEBERTRAGBAR ... 325 8.6.2 ADVERSARIALE ATTACKEN AUF MODELLE ZUM BESTAERKUNGSLERNEN .......... 326 8.7 ZUSAMMENFASSUNG UND TRENDS .......................................................................... 327 LITERATUR ......................................................................................................................... 328 9 KREATIVE KUENSTLICHE INTELLIGENZ UND EMOTIONEN ................................................... 331 9.1 BILDER ERZEUGEN MIT GENERATIVEN ADVERSARIALEN NETZEN (GAN) ...................... 331 9.1.1 FAELSCHER UND KUNSTEXPERTE .................................................................... 331 9.1.2 GENERATOR UND DISKRIMINATOR ................................................................ 332 9.1.3 OPTIMIERUNGSKRITERIUM FUER GENERATOR UND DISKRIMINATOR ...............332 9.1.4 DIE ERGEBNISSE GENERATIVER ADVERSARIALER NETZE ................................ 333 9.1.5 INTERPOLATION ZWISCHEN BILDERN ........................................................... 337 9.1.6 TRANSFORMATION VON BILDERN .................................................................. 338 9.1.7 TRANSFORMATION VON BILDERN OHNE TRAININGSPAARE .............................. 339 XVIII INHALTSVERZEICHNIS 9.1.8 CREATIVE ADVERSARIAL NETWORK .............................................................. 342 9.1.9 ERZEUGUNG VON BILDERN AUS TEXT .......................................................... 345 9.1.10 GAN-GENERIERTE MODELLE VON PERSONEN IN DREI DIMENSIONEN ......... 346 9.2 TEXTE VERFASSEN ....................................................................................................347 9.2.1 AUTOMATISCHER REPORTER: DATEN IN ZEITUNGSMELDUNGEN DARSTELLEN .. 347 9.2.2 GENERIERUNG VON LAENGEREN GESCHICHTEN ...............................................347 9.2.3 GPT2 ERFINDET KOMPLEXE GESCHICHTEN ................................................. 348 9.3 MUSIK AUTOMATISCH KOMPONIEREN ...................................................................... 355 9.3.1 MUSENET KOMPONIERT MISCHUNGEN VON KLASSIK UND POP ................... 356 9.3.2 DER MUSIC TRANSFORMER ERFINDET KLAVIERSTUECKE .................................. 358 9.4 EMOTIONEN UND PERSOENLICHKEIT .......................................................................... 359 9.4.1 EIN XIAOLCE DIALOG ...............................................................................359 9.4.2 DAS ZIEL: PERSONEN ZUM WEITERREDEN ANIMIEREN ................................ 361 9.4.3 ARCHITEKTUR VON XIAOLCE ......................................................................362 9.4.4 ANZAHL DER BENUTZERANTWORTEN ALS OPTIMIERUNGSKRITERIUM ............. 364 9.4.5 EMOTIONALE EMPATHIE UND UNTERSTUETZUNG ...........................................366 9.5 ZUSAMMENFASSUNG UND TRENDS .......................................................................... 369 LITERATUR ......................................................................................................................... 372 10 KI UND IHRE CHANCEN, HERAUSFORDERUNGEN UND RISIKEN ...................................... 375 10.1 CHANCEN FUER WIRTSCHAFT UND GESELLSCHAFT ....................................................... 378 10.1.1 SMART HOME, MEIN HAUS KUEMMERT SICH UM MICH ............................ 378 10.1.2 DIAGNOSE, THERAPIE, PFLEGE UND VERWALTUNG IN DER MEDIZIN ........ 380 10.1.3 MASCHINE LEARNING IN DER INDUSTRIELLEN ANWENDUNG ....................... 386 10.1.4 WEITERE EINSATZGEBIETE DER KI ............................................................389 10.2 WIRTSCHAFTLICHE AUSWIRKUNGEN UND ZUSAMMENHAENGE ..................................394 10.2.1 DIE MONETARISIERUNG VON DATEN ......................................................... 394 10.2.2 DIE NEUE DIGITALE SERVICEWELT - KI AS A SERVICE ................................ 398 10.2.3 GROSSE UNTERNEHMEN ALS TREIBER DER KI ............................................. 401 10.2.4 DIE AUSWIRKUNGEN AUF DEN ARBEITSMARKT ........................................... 404 10.3 GESELLSCHAFTLICHE HERAUSFORDERUNGEN ........................................................... 410 10.3.1 HERAUSFORDERUNGEN DER KI IN DER MEDIZIN ........................................ 412 10.3.2 1984 2.0: KI ALS INSTRUMENT DER UEBERWACHUNG ................................413 10.3.3 KRIEG DER MASCHINEN .......................................................................... 416 10.3.4 STARKE KUENSTLICHE INTELLIGENZ .............................................................. 418 10.4 METHODISCHE HERAUSFORDERUNGEN .................................................................... 420 10.4.1 KOMBINATION VON DATEN UND UNSCHARFEM SCHLIESSEN ....................... 421 10.4.2 SCHNELLES UND LANGSAMES DENKEN ..................................................... 422 10.5 VERTRAUEN SCHAFFEN IN DIE KI .......................................................................... 426 10.5.1 WIE BAUT MAN VERTRAUENSWUERDIGE KL-SYSTEME? ................................ 429 10.5.2 WIE KANN MAN TIEFE NEURONALE NETZE TESTEN? .................................... 430 INHALTSVERZEICHNIS XIX 10.5.3 IST EINE SELBSTBESTIMMTE, EFFEKTIVE NUTZUNG EINES KL-SYSTEMS MOEGLICH? ............................................................................................... 431 10.5.4 BEHANDELT DAS KL-SYSTEM ALLE BETROFFENEN FAIR? .............................. 433 10.5.5 SIND FUNKTIONSWEISE UND ENTSCHEIDUNGEN DER KI NACHVOLLZIEHBAR? ................................................................................ 434 10.5.6 IST DAS KL-SYSTEM SICHER GEGENUEBER ANGRIFFEN, UNFAELLEN UND FEHLERN? ............................................................................................... 435 10.5.7 FUNKTIONIERT DIE KL-KOMPONENTE ZUVERLAESSIG UND IST SIE ROBUST? ................................................................................................. 436 10.5.8 SCHUETZT DIE KI DIE PRIVATSPHAERE UND SONSTIGE SENSIBLE INFORMATIONEN? ..................................................................................... 437 10.5.9 DIE HERAUSFORDERUNGEN FUER EIN KI-GUETESIEGEL ................................... 438 10.6 ZUSAMMENFASSUNG ........................................................................................... 439 LITERATUR ........................................................................................................................ 441 A ANHANG .................................................................................................................................. 445 A.L GLOSSAR ................................................................................................................................ 447 A.2 VERZEICHNIS DER ABBILDUNGEN UND DEREN QUELLEN .................................................. 467 A.3 LITERATUR ZUM ANHANG ................................................................................................... 483 A.4 STICHWORTVERZEICHNIS ..................................................................................................... 489
adam_txt	INHALTSVERZEICHNIS 1 WAS IST INTELLIGENT AN KUENSTLICHER INTELLIGENZ? . 1 1.1 MENSCHLICHE INTELLIGENZ HAT VIELE DIMENSIONEN . 1 1.2 WORAN ERKENNT MAN KUENSTLICHE INTELLIGENZ . 2 1.3 COMPUTER LERNEN . 3 1.4 TIEFE NEURONALE NETZE KOENNEN OBJEKTE ERKENNEN . 6 1.5 WIE KANN MAN KUENSTLICHE INTELLIGENZ VERSTEHEN? . 8 1.6 DIE GESCHICHTE DER KUENSTLICHEN INTELLIGENZ . 10 1.7 ZUSAMMENFASSUNG . 12 LITERATUR . 13 2 WAS KANN KUENSTLICHE INTELLIGENZ? . 15 2.1 OBJEKTERKENNUNG IN BILDERN . 15 2.1.1 MEDIZINISCHE DIAGNOSE . 17 2.1.2 VORHERSAGE DER 3D-STRUKTUR VON PROTEINEN . 18 2.2 SPRACHERKENNUNG . 19 2.3 MASCHINELLE UEBERSETZUNG . 20 2.4 DIE BEANTWORTUNG NATUERLICHSPRACHIGER FRAGEN . 22 2.5 DIALOGE UND PERSOENLICHE ASSISTENTEN . 25 2.6 BRETTSPIELE . 27 2.6.1 DAS STRATEGIESPIEL GO . 28 2.6.2 KUENSTLICHE INTELLIGENZ GEWINNT GEGEN FUENF POKER-PROFESSIONALS . 29 2.7 VIDEOSPIELE . 29 2.7.1 ATARI 2600 SPIELEKONSOLE . 30 2.7.2 CAPTURE THE FLAG . 30 2.7.3 DAS ECHTZEIT-STRATEGIESPIEL DOTA2 . 32 2.8 SELBSTFAHRENDE AUTOS . 33 2.8.1 WEITERENTWICKLUNG DER SELBSTFAHRENDEN AUTOS . 34 2.9 DER COMPUTER ALS KREATIVES MEDIUM . 35 2.9.1 NEUE BILDER KOMPONIEREN . 36 2.9.2 GESCHICHTEN ERFINDEN . 38 2.10 ALLGEMEINE KUENSTLICHE INTELLIGENZ . 39 XII INHALTSVERZEICHNIS 2.11 ZUSAMMENFASSUNG . 40 LITERATUR . 40 3 EINIGE GRUNDBEGRIFFE DES MASCHINELLEN LERNENS . 45 3.1 DIE WICHTIGSTEN ARTEN DES MASCHINELLEN LERNENS . 45 3.1.1 UEBERWACHTES LERNEN . 45 3.1.2 UNUEBERWACHTES LERNEN . 46 3.1.3 BESTAERKUNGSLERNEN . 47 3.2 PROGRAMMIEREN UND LERNEN . 48 3.2.1 MODELLE TRANSFORMIEREN EINE EINGABE IN EINE AUSGABE . 48 3.2.2 ALGORITHMEN ARBEITEN SCHRITTWEISE EINE LISTE VON ANWEISUNGEN AB . 50 3.2.3 EIN LERNPROBLEM: DIE ERKENNUNG VON ZIFFERN . 50 3.2.4 VEKTOREN, MATRIZEN UND TENSOREN . 51 3.3 LERNEN EINES ZUSAMMENHANGS . 53 3.3.1 SCHEMA FUER DAS LERNEN: MODELL, VERLUSTFUNKTION UND OPTIMIERUNG . 53 3.3.2 DETAILLIERTER ABLAUF DES LERNENS . 53 3.4 EIN SIMPLES MODELL: DIE LOGISTISCHE REGRESSION . 56 3.4.1 BERECHNUNG EINES PUNKTWERTES . 56 3.4.2 DIE GLEICHZEITIGE BERECHNUNG ALLER PUNKTWERTE . 58 3.4.3 LINEARE TRANSFORMATION . 59 3.4.4 DIE SOFTMAXFUNKTION ERZEUGT EINEN WAHRSCHEINLICHKEITSVEKTOR . 60 3.4.5 DAS LOGISTISCHE REGRESSIONSMODELL . 61 3.5 DIE GUETE DES MODELLS . 62 3.5.1 MASSSTAB FUER DIE MODELLGUETE: DIE WAHRSCHEINLICHKEIT DER KOMPLETTEN TRAININGSDATEN . 62 3.5.2 WIE MISST MAN DEN LERNERFOLG: DIE VERLUSTFUNKTION . 63 3.5.3 VERDEUTLICHUNG FUER ZWEI KLASSEN UND ZWEI EINGABEMERKMALE . 65 3.6 OPTIMIERUNG, ODER WIE FINDET MAN DIE BESTEN PARAMETERWERTE . 66 3.6.1 DER GRADIENT ZEIGT IN RICHTUNG DES STEILSTEN ANSTIEGS . 67 3.6.2 DER GRADIENT FUER MEHRERE DIMENSIONEN . 67 3.6.3 DER GRADIENT DER VERLUSTFUNKTION . 69 3.6.4 SCHRITTWEISE MINIMIERUNG DURCH GRADIENTENABSTIEG . 71 3.6.5 DIE LERNRATE BESTIMMT DIE LAENGE EINES OPTIMIERUNGSCHRITTS . 72 3.6.6 GRADIENTENABSTIEG MIT MINIBATCH BENOETIGT VIEL WENIGER RECHENAUFWAND . 72 3.7 UEBERPRUEFUNG DES LERNERFOLGES . 74 3.7.1 ANWENDUNG DES MODELLS AUF NEUE DATEN . 74 3.7.2 UEBERPRUEFUNG DER GENAUIGKEIT AUF DER TESTMENGE . 75 3.7.3 PRAEZISION UND RECALL FUER KLASSEN UNTERSCHIEDLICHEN UMFANGS . 76 3.8 ZUSAMMENFASSUNG . 77 LITERATUR . 78 INHALTSVERZEICHNIS XIII 4 TIEFES LERNEN KANN KOMPLEXE ZUSAMMENHAENGE ERFASSEN . 79 4.1 BEIM XOR-PROBLEM GIBT ES INTERAKTIONEN ZWISCHEN DEN MERKMALEN . 79 4.2 NICHTLINEARITAETEN ERZEUGEN GEBOGENE TRENNFLAECHEN . 82 4.3 TIEFE NEURONALE NETZE SIND STAPEL VON NICHTLINEAREN SCHICHTEN . 87 4.3.1 VEKTOREN UND TENSOREN REPRAESENTIEREN DIE UMGEFORMTEN INHALTE. . 88 4.4 TRAINING VON TNN MIT BACKPROPAGATION-VERFAHREN . 90 4.5 TOOLKITS ERLEICHTERN DIE FORMULIERUNG UND DAS TRAINING VON TNN . 93 4.5.1 PARALLELE BERECHNUNGEN BESCHLEUNIGEN DAS TRAINING VON TNN. . 93 4.5.2 TOOLKITS ERLEICHTERN DIE ARBEIT MIT TNN . 94 4.6 WIE MACHE ICH DAS NETZ BESSER? . 96 4.6.1 ITERATIVE KONSTRUKTION EINES GUTEN MODELLS MIT DER VALIDATIONSMENGE . 96 4.6.2 UNTERANPASSUNG UND UEBERANPASSUNG FUEHREN ZU HOEHEREN FEHLEM . 97 4.6.3 EIN BEISPIEL FUER UEBERANPASSUNG . 98 4.6.4 REGULARISIERUNGSVERFAHREN REDUZIEREN DEN GENERALISIERUNGSFEHLER . 100 4.7 UNTERSCHIEDLICHE ANWENDUNGEN ERFORDERN NETZE UNTERSCHIEDLICHEN AUFBAUS . 103 4.7.1 MEHRSCHICHTIGES FEEDFORWARD-NETZ . 104 4.7.2 CONVOLUTIONAL NEURAL NETWORK (CNN) . 105 4.7.3 REKURRENTES NEURONALES NETZ (RNN) . 105 4.7.4 BESTAERKUNGSLEMEN-NETZ . 105 4.7.5 GENERATIVES ADVERSARIALES NETZ (GAN) . 106 4.7.6 AUTOENCODER-NETZE ERZEUGEN EINE KOMPRIMIERTE DARSTELLUNG . 106 4.7.7 ARCHITEKTUREN FUER BESTIMMTE MEDIEN UND ANWENDUNGSBEREICHE. . 106 4.8 DIE KONSTRUKTION EINES TIEFEN NEURONALEN NETZES IST EIN SUCHPROZESS . 108 4.8.1 AUSWAHL DER ANZAHL DER PARAMETER UND DER HYPERPARAMETER . 108 4.8.2 DER STANDARD-PROZESS DER MODELLSUCHE FUEHRT ZU BESSEREN MODELLEN . 109 4.8.3 AUTOMATISCHE SUCHE VON MODELLARCHITEKTUREN UND HYPERPARAMETERN . 111 4.9 BIOLOGISCHE NEURONALE NETZE FUNKTIONIEREN ANDERS . 114 4.10 ZUSAMMENFASSUNG UND TRENDS . 116 LITERATUR . 117 5 BILDERKENNUNG MIT TIEFEN NEURONALEN NETZEN . 119 5.1 WAS BEDEUTET EIGENTLICH BILDERKENNUNG? . 119 5.1.1 ARTEN DER OBJEKTERKENNUNG IN BILDERN . 119 5.1.2 INSPIRATIONEN AUS DER BIOLOGIE . 120 5.1.3 WARUM IST EINE BILDERKENNUNG SCHWIERIG? . 123 5.2 DIE BESTANDTEILE EINES CONVOLUTIONAL NEURAL NETWORKS . 123 5.2.1 DER KERNEL EINER CONVOLUTION-SCHICHT ANALYSIERT KLEINE BILDBEREICHE . 123 XIV INHALTSVERZEICHNIS 5.2.2 CONVOLUTION-SCHICHT MIT VIELEN KERNELN REAGIERT AUF VIELE MERKMALE . 126 5.2.3 DIE POOLING-SCHICHT WAEHLT DIE WICHTIGSTEN MERKMALE AUS . 127 5.3 EIN EINFACHES CONVOLUTIONAL NEURAL NETWORK FUER DIE ZIFFERNERKENNUNG. . 128 5.4 DER IMAGENET WETTBEWERB BEFEUERT DIE METHODENENTWICKLUNG . 130 5.5 FORTSCHRITTLICHE CONVOLUTIONAL NEURAL NETWORKS . 132 5.5.1 ALEXNET NUTZT ERFOLGREICH GPUS ZUM TRAINING . 132 5.5.2 RESNET ERLEICHTERT DIE OPTIMIERUNG DURCH UMGEHUNGSPFADE . 133 5.5.3 DENSENET VERWENDET ZUSAETZLICHE UMGEHUNGSPFADE . 136 5.5.4 RESNEXT NUTZT TRANSFORMIERTE BILDER ZUM TRAINING . 137 5.6 ANALYSE DER CNN ERGEBNISSE . 138 5.6.1 EINZELNE KERNEL REAGIEREN AUF MERKMALE UNTERSCHIEDLICHER ART UND GROESSE . 138 5.6.2 AEHNLICHEN BILDERN ENTSPRECHEN BENACHBARTE VERDECKTE VEKTOREN . 139 5.7 TRANSFERLERNEN REDUZIERT DEN BEDARF AN TRAININGSDATEN . 140 5.8 LOKALISIERUNG EINES OBJEKTES IM BILD . 143 5.8.1 OBJEKTLOKALISIERUNG DURCH RECHTECKE . 143 5.8.2 BILDSEGMENTIERUNG ZUR PIXELGENAUE BESTIMMUNG VON KLASSEN. . . 145 5.8.3 MAX-UNPOOLING BELEGT EIN VERGROESSERTES FELD MIT WERTEN . 146 5.8.4 DAS U-NET ERKENNT ZUNAECHST OBJEKTE UND FINDET DANN DIE ZUGEHOERIGEN PIXEL . 147 5.9 DIE 3D-REKONSTRUKTION EINER SZENE . 149 5.10 GESICHTER KOENNEN MIT SEHR HOHER GENAUIGKEIT ZUGEORDNET WERDEN . 150 5.11 ABSCHAETZUNG DER GENAUIGKEIT VON MODELLPROGNOSEN . 152 5.11.1 UNSICHERHEIT DER MODELLPROGNOSEN . 153 5.11.2 DER BOOTSTRAP ERZEUGT EINE MENGE PLAUSIBLER MODELLE . 155 5.11.3 BAYESSCHE NEURONALE NETZE . 155 5.12 ZUVERLAESSIGKEIT DER BILDERKENNUNG . 157 5.12.1 DER EINFLUSS VON BILDVERZERRUNGEN . 157 5.12.2 GEZIELTE KONSTRUKTION VON FALSCHKLASSIFIZIERTEN BILDERN . 160 5.13 ZUSAMMENFASSUNG UND TRENDS . 163 LITERATUR . 164 6 ERFASSUNG DER BEDEUTUNG VON GESCHRIEBENEM TEXT . 167 6.1 WIE KANN MAN DIE BEDEUTUNG VON WOERTERN DURCH VEKTOREN DARSTELLEN? . 170 6.1.1 DAS KONZEPT DER EMBEDDINGVEKTOREN . 172 6.1.2 BERECHNUNG VON EMBEDDINGVEKTOREN MIT WORD2VEC . 173 6.1.3 DIE APPROXIMATION DER SOFTMAXFUNKTION REDUZIERT DEN RECHENAUFWAND . 175 6.2 EIGENSCHAFTEN DER EMBEDDING-VEKTOREN . 176 6.2.1 NAECHSTE NACHBARN VON EMBEDDINGS HABEN AEHNLICHE BEDEUTUNGEN . 176 INHALTSVERZEICHNIS XV 6.2.2 DIFFERENZEN ZWISCHEN EMBEDDINGS LASSEN SICH ALS RELATIONEN INTERPRETIEREN . 178 6.2.3 FASTTEXT NUTZT N-GRAMME VON BUCHSTABEN . 180 6.2.4 STARSPACE ERZEUGEN EMBEDDINGS FUER ANDERE OBJEKTE . 182 6.3 REKURRENTE NEURONALE NETZE ZUR ERFASSUNG VON SEQUENZEN . 183 6.3.1 REKURRENTE NEURONALE NETZE ALS SPRACHMODELLE . 184 6.3.2 TRAINING DER REKURRENTEN NEURONALEN NETZE . 186 6.3.3 DIE EIGENSCHAFTEN DER GRADIENTEN BEIM RNN . 187 6.4 DAS LONG-SHORT TERM MEMORY (LSTM) IST EIN LANGZEITSPEICHER . 189 6.4.1 GATTER STEUERN DIE SPEICHERVORGAENGE . 189 6.4.2 LSTMS MIT MEHREREN SCHICHTEN . 192 6.4.3 ANWENDUNGEN DES LSTM . 193 6.4.4 BIDIREKTIONALE LSTM-NETZE ZUR PROGNOSE VON WORTEIGENSCHAFTEN . 195 6.4.5 VISUALISIERUNG VON REKURRENTEN NEURONALEN NETZEN . 197 6.5 UEBERSETZUNG: TRANSFORMATION EINER SEQUENZ IN EINE ANDERE SEQUENZ . 198 6.5.1 SEQUENCE-TO-SEQUENCE NETZE ZUR UEBERSETZUNG . 199 6.5.2 ATTENTION: VERBESSERUNG DER UEBERSETZUNG DURCH RUECKGRIFF AUF DIE EINGABEWORTE . 203 6.5.3 UEBERSETZUNGSERGEBNISSE MIT ATTENTION . 205 6.6 TRANSFORMER-UEBERSETZUNGSMODELLE . 208 6.6.1 SELBSTATTENTION ANALYSIERT DIE ABHAENGIGKEITEN DER WORTE EINES SATZES .209 6.6.2 KREUZATTENTION ANALYSIERT DIE ABHAENGIGKEITEN ZWISCHEN EIN UND AUSGABE . 210 6.6.3 TRANSFORMER-ARCHITEKTUR NUTZT SELBST UND KREUZATTENTION . 212 6.6.4 TRAINING DES TRANSFORMERS FUER DIE SPRACHUEBERSETZUNG . 214 6.6.5 BYTE-PAIR KODIERUNG ZUR REDUKTION DES VOKABULARS UND ZUR REPRAESENTATION UNBEKANNTER WOERTER . 216 6.6.6 ERGEBNISSE FUER DAS TRANSFORMER-MODELL . 216 6.6.7 SIMULTANE UEBERSETZUNG ERFORDERT WARTEZEITEN . 219 6.7 BERT: SPRACHMODELLE FUER DIE REPRAESENTATION VON BEDEUTUNGEN . 221 6.7.1 BERT-ARCHITEKTUR . 221 6.7.2 BERT-PROGNOSEAUFGABEN ZUM UNUEBERWACHTEN VORTRAINING . 222 6.8 TRANSFERLERNEN MIT UMFANGREICHEN BERT-MODELLEN DER SPRACHE . 224 6.8.1 SEMANTISCHE KLASSIFIKATIONSAUFGABEN . 224 6.8.2 DIE BEANTWORTUNG VON FRAGEN . 226 6.8.3 EXTRAKTION VON WELTWISSEN . 228 6.8.4 TRANSFERLERNEN FUER UEBERSETZUNGSMODELLE . 231 6.8.5 ANWENDUNG VON BERT IN DER WEB-SUCHE . 233 6.9 DIE BESCHREIBUNG VON BILDERN DURCH TEXT . 234 6.10 DIE ERKLAERUNG DER PROGNOSEN VON TNN .237 6.10.1 ERKLAERUNGEN SIND NOTWENDIG .237 XVI INHALTSVERZEICHNIS 6.10.2 GLOBALE ERKLAERUNGSMODELLE .238 6.10.3 LOKALE ERKLAERUNGSMODELLE . 239 6.11 ZUVERLAESSIGKEIT DER TEXTERKENNUNG . 241 6.11.1 ROBUSTHEIT BEI TEXTFEHLEM UND AENDERUNG DER DOMAENE . 241 6.11.2 ANFAELLIGKEIT FUER BOESWILLIGE AENDERUNG VON EINGABEN . 242 6.12 ZUSAMMENFASSUNG UND TRENDS . 243 LITERATUR .245 7 GESPROCHENE SPRACHE VERSTEHEN . 249 7.1 SPRACHERKENNUNG .249 7.1.1 WARUM IST SPRACHERKENNUNG SCHWIERIG? .249 7.1.2 WIE KANN MAN SPRACHSIGNALE IM COMPUTER DARSTELLEN? . 250 7.1.3 MESSUNG DER GENAUIGKEIT DER SPRACHERKENNUNG . 253 7.1.4 DIE GESCHICHTE DER SPRACHERKENNUNG . 254 7.2 TIEFE SEQUENCE-TO-SEQUENCE-MODELLE . 255 7.2.1 LISTEN-ATTEND-SPELL ERZEUGT EINE FOLGE VON BUCHSTABEN . 256 7.2.2 SEQUENCE-TO-SEQUENCE MODELL FUER WORTE UND SILBEN .259 7.3 CONVOLUTIONAL NEURAL NETWORK ZUR SPRACHERKENNUNG .259 7.3.1 CNN MODELLE . 260 7.3.2 KOMBINIERTE MODELLE . 263 7.4 LIPPENLESEN . 264 7.5 ERZEUGUNG VON GESPROCHENER SPRACHE AUS TEXT . 265 7.5.1 WAVENET MIT GEDEHNTEN CONVOLUTION-SCHICHTEN FUER LANGE ABHAENGIGKEITEN . 266 7.5.2 DAS TACOTRON ERZEUGT EIN SPEKTROGRAMM . 268 7.6 DIALOGE UND SPRACHASSISTENTEN . 270 7.7 GUNROCK: EIN ERWEITERTER ALEXA-SPRACHASSISTENT . 272 7.7.1 SPRACHVERSTEHEN . 273 7.7.2 DIALOGMANAGEMENT .274 7.7.3 ANTWORTERZEUGUNG . 275 7.7.4 ERPROBUNG DES SPRACHASSISTENTEN . 275 7.8 ANALYSE DER INHALTE VON VIDEOS . 276 7.8.1 AUFGABEN DER VIDEOINHALTSANALYSE . 277 7.8.2 TRAININGSDATEN ZUR KLASSIFIKATION VON VIDEOS NACH AKTIVITAETEN . 277 7.8.3 CONVOLUTION-SCHICHTEN ZUR ERKENNUNG VON VIDEOINHALTEN . 278 7.8.4 GENAUIGKEIT DER VIDEOKLASSIFIKATION . 281 7.8.5 DIE ERZEUGUNG VON UNTERTITELN FUER VIDEOS . 282 7.9 ZUVERLAESSIGKEIT DER VERARBEITUNG GESPROCHENER SPRACHE . 285 7.9.1 DER EFFEKT VON RAUSCHEN UND ANDEREN VERZERRUNGEN AUF DIE SPRACHERKENNUNG . 286 7.9.2 ADVERSARIALE ATTACKEN AUF DIE AUTOMATISCHE SPRACHERKENNUNG. . 286 7.10 ZUSAMMENFASSUNG .287 LITERATUR . 289 INHALTSVERZEICHNIS XVII 8 LERNEN VON OPTIMALEN STRATEGIEN . 293 8.1 EINIGE GRUNDBEGRIFFE . 295 8.2 TIEFES Q-NETZ . 298 8.2.1 STRATEGIE ZUR MAXIMIERUNG DER SUMME DER BELOHNUNGEN .298 8.2.2 EINE KLEINE NAVIGATIONSAUFGABE .298 8.2.3 DISKONTIERTER ZUKUENFTIGER GEWINN BELOHNT SCHNELLE LOESUNGEN . 299 8.2.4 DIE Q-FUNKTION BEWERTET ZUSTANDS-AKTIONSPAARE .299 8.2.5 DIE BELLMANGLEICHUNG STELLT EINE BEZIEHUNG ZWISCHEN Q-WERTEN HER . 300 8.2.6 APPROXIMATION DER Q-FUNKTION DURCH EIN TIEFES NEURONALES NETZ . 301 8.2.7 Q-LERNEN: TRAINING EINES TIEFEN Q-NETZES . 301 8.3 ANWENDUNG VON Q-LERNEN AUF ATARI VIDEOSPIELE . 305 8.3.1 DEFINITION DES SPIELZUSTANDS BEI ATARI-SPIELEN . 305 8.3.2 ARCHITEKTUR DES ATARI-NETZES .306 8.3.3 TRAINING . 306 8.3.4 AUSWERTUNG DER TIEFEN NEURONALEN NETZE DER ATARI-VIDEOSPIELE . 307 8.4 STRATEGIEGRADIENTEN ZUM ERLERNEN VON STOCHASTISCHEN STRATEGIEN .309 8.4.1 NOTWENDIGKEIT VON STRATEGIEN MIT ZUFALLSELEMENTEN .309 8.4.2 DIREKTE OPTIMIERUNG EINER STRATEGIE DURCH STRATEGIEGRADIENTEN . 310 8.4.3 ERWEITERUNGEN DES STRATEGIEGRADIENTEN: ACTOR-CRITIC UND PROXIMAL POLICY OPTIMIZATION . 312 8.4.4 ANWENDUNG AUF ROBOTIK UND GO .314 8.4.5 ANWENDUNG IN DOTA2 .316 8.5 SELBSTFAHRENDE AUTOS . 317 8.5.1 SENSOREN SELBSTFAHRENDER AUTOS . 318 8.5.2 FUNKTIONALITAET EINES AGENTEN FUERS AUTONOME FAHREN .319 8.5.3 FEINTUNING DURCH SIMULATION . 322 8.6 ZUVERLAESSIGKEIT DES BESTAERKUNGSIEMENS . 325 8.6.1 TRAINING IN SIMULATIONSUMGEBUNGEN OFT SCHWIERIG UEBERTRAGBAR . 325 8.6.2 ADVERSARIALE ATTACKEN AUF MODELLE ZUM BESTAERKUNGSLERNEN . 326 8.7 ZUSAMMENFASSUNG UND TRENDS . 327 LITERATUR . 328 9 KREATIVE KUENSTLICHE INTELLIGENZ UND EMOTIONEN . 331 9.1 BILDER ERZEUGEN MIT GENERATIVEN ADVERSARIALEN NETZEN (GAN) . 331 9.1.1 FAELSCHER UND KUNSTEXPERTE . 331 9.1.2 GENERATOR UND DISKRIMINATOR . 332 9.1.3 OPTIMIERUNGSKRITERIUM FUER GENERATOR UND DISKRIMINATOR .332 9.1.4 DIE ERGEBNISSE GENERATIVER ADVERSARIALER NETZE . 333 9.1.5 INTERPOLATION ZWISCHEN BILDERN . 337 9.1.6 TRANSFORMATION VON BILDERN . 338 9.1.7 TRANSFORMATION VON BILDERN OHNE TRAININGSPAARE . 339 XVIII INHALTSVERZEICHNIS 9.1.8 CREATIVE ADVERSARIAL NETWORK . 342 9.1.9 ERZEUGUNG VON BILDERN AUS TEXT . 345 9.1.10 GAN-GENERIERTE MODELLE VON PERSONEN IN DREI DIMENSIONEN . 346 9.2 TEXTE VERFASSEN .347 9.2.1 AUTOMATISCHER REPORTER: DATEN IN ZEITUNGSMELDUNGEN DARSTELLEN . 347 9.2.2 GENERIERUNG VON LAENGEREN GESCHICHTEN .347 9.2.3 GPT2 ERFINDET KOMPLEXE GESCHICHTEN . 348 9.3 MUSIK AUTOMATISCH KOMPONIEREN . 355 9.3.1 MUSENET KOMPONIERT MISCHUNGEN VON KLASSIK UND POP . 356 9.3.2 DER MUSIC TRANSFORMER ERFINDET KLAVIERSTUECKE . 358 9.4 EMOTIONEN UND PERSOENLICHKEIT . 359 9.4.1 EIN XIAOLCE DIALOG .359 9.4.2 DAS ZIEL: PERSONEN ZUM WEITERREDEN ANIMIEREN . 361 9.4.3 ARCHITEKTUR VON XIAOLCE .362 9.4.4 ANZAHL DER BENUTZERANTWORTEN ALS OPTIMIERUNGSKRITERIUM . 364 9.4.5 EMOTIONALE EMPATHIE UND UNTERSTUETZUNG .366 9.5 ZUSAMMENFASSUNG UND TRENDS . 369 LITERATUR . 372 10 KI UND IHRE CHANCEN, HERAUSFORDERUNGEN UND RISIKEN . 375 10.1 CHANCEN FUER WIRTSCHAFT UND GESELLSCHAFT . 378 10.1.1 SMART HOME, MEIN HAUS KUEMMERT SICH UM MICH . 378 10.1.2 DIAGNOSE, THERAPIE, PFLEGE UND VERWALTUNG IN DER MEDIZIN . 380 10.1.3 MASCHINE LEARNING IN DER INDUSTRIELLEN ANWENDUNG . 386 10.1.4 WEITERE EINSATZGEBIETE DER KI .389 10.2 WIRTSCHAFTLICHE AUSWIRKUNGEN UND ZUSAMMENHAENGE .394 10.2.1 DIE MONETARISIERUNG VON DATEN . 394 10.2.2 DIE NEUE DIGITALE SERVICEWELT - KI AS A SERVICE . 398 10.2.3 GROSSE UNTERNEHMEN ALS TREIBER DER KI . 401 10.2.4 DIE AUSWIRKUNGEN AUF DEN ARBEITSMARKT . 404 10.3 GESELLSCHAFTLICHE HERAUSFORDERUNGEN . 410 10.3.1 HERAUSFORDERUNGEN DER KI IN DER MEDIZIN . 412 10.3.2 1984 2.0: KI ALS INSTRUMENT DER UEBERWACHUNG .413 10.3.3 KRIEG DER MASCHINEN . 416 10.3.4 STARKE KUENSTLICHE INTELLIGENZ . 418 10.4 METHODISCHE HERAUSFORDERUNGEN . 420 10.4.1 KOMBINATION VON DATEN UND UNSCHARFEM SCHLIESSEN . 421 10.4.2 SCHNELLES UND LANGSAMES DENKEN . 422 10.5 VERTRAUEN SCHAFFEN IN DIE KI . 426 10.5.1 WIE BAUT MAN VERTRAUENSWUERDIGE KL-SYSTEME? . 429 10.5.2 WIE KANN MAN TIEFE NEURONALE NETZE TESTEN? . 430 INHALTSVERZEICHNIS XIX 10.5.3 IST EINE SELBSTBESTIMMTE, EFFEKTIVE NUTZUNG EINES KL-SYSTEMS MOEGLICH? . 431 10.5.4 BEHANDELT DAS KL-SYSTEM ALLE BETROFFENEN FAIR? . 433 10.5.5 SIND FUNKTIONSWEISE UND ENTSCHEIDUNGEN DER KI NACHVOLLZIEHBAR? . 434 10.5.6 IST DAS KL-SYSTEM SICHER GEGENUEBER ANGRIFFEN, UNFAELLEN UND FEHLERN? . 435 10.5.7 FUNKTIONIERT DIE KL-KOMPONENTE ZUVERLAESSIG UND IST SIE ROBUST? . 436 10.5.8 SCHUETZT DIE KI DIE PRIVATSPHAERE UND SONSTIGE SENSIBLE INFORMATIONEN? . 437 10.5.9 DIE HERAUSFORDERUNGEN FUER EIN KI-GUETESIEGEL . 438 10.6 ZUSAMMENFASSUNG . 439 LITERATUR . 441 A ANHANG . 445 A.L GLOSSAR . 447 A.2 VERZEICHNIS DER ABBILDUNGEN UND DEREN QUELLEN . 467 A.3 LITERATUR ZUM ANHANG . 483 A.4 STICHWORTVERZEICHNIS . 489
any_adam_object	1
any_adam_object_boolean	1
author	Paass, Gerhard 1949- Hecker, Dirk 1976-
author_GND	(DE-588)170208907 (DE-588)1236533577
author_facet	Paass, Gerhard 1949- Hecker, Dirk 1976-
author_role	aut aut
author_sort	Paass, Gerhard 1949-
author_variant	g p gp d h dh
building	Verbundindex
bvnumber	BV047312452
classification_rvk	ST 300
ctrlnum	(OCoLC)1246281007 (DE-599)BVBBV047312452
dewey-full	006.3
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods
dewey-raw	006.3
dewey-search	006.3
dewey-sort	16.3
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
discipline_str_mv	Informatik
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01907nam a2200433zc 4500</leader><controlfield tag="001">BV047312452</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20211104 </controlfield><controlfield tag="007">t</controlfield><controlfield tag="008">210607s2020 a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1211194841</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783658302108</subfield><subfield code="c">Broschur : EUR 34.99 (DE), EUR 35.97 (AT), circa CHF 39.00 (freier Preis)</subfield><subfield code="9">978-3-658-30210-8</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">3658302100</subfield><subfield code="9">3-658-30210-0</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1246281007</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)BVBBV047312452</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="0" ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-1029</subfield><subfield code="a">DE-860</subfield><subfield code="a">DE-210</subfield><subfield code="a">DE-12</subfield><subfield code="a">DE-898</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">004</subfield><subfield code="2">23sdnb</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Paass, Gerhard</subfield><subfield code="d">1949-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)170208907</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="b">was steckt hinter der Technologie der Zukunft?</subfield><subfield code="c">Gerhard Paaß, Dirk Hecker</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Wiesbaden</subfield><subfield code="b">Springer Vieweg</subfield><subfield code="c">[2020]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">© 2020</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">XXII, 496 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial intelligence</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Hecker, Dirk</subfield><subfield code="d">1976-</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1236533577</subfield><subfield code="4">aut</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe</subfield><subfield code="z">978-3-658-30211-5</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="q">application/pdf</subfield><subfield code="u">http://deposit.dnb.de/cgi-bin/dokserv?id=7691840d87624345bee61e97ae456378&prov=M&dok_var=1&dok_ext=htm</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032715358&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="999" ind1=" " ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-032715358</subfield></datafield></record></collection>
id	DE-604.BV047312452
illustrated	Illustrated
index_date	2024-07-03T17:26:24Z
indexdate	2024-07-10T09:08:35Z
institution	BVB
isbn	9783658302108 3658302100
language	German
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-032715358
oclc_num	1246281007
open_access_boolean
owner	DE-1029 DE-860 DE-210 DE-12 DE-898 DE-BY-UBR
owner_facet	DE-1029 DE-860 DE-210 DE-12 DE-898 DE-BY-UBR
physical	XXII, 496 Seiten Illustrationen, Diagramme 24 cm
publishDate	2020
publishDateSearch	2020
publishDateSort	2020
publisher	Springer Vieweg
record_format	marc
spelling	Paass, Gerhard 1949- Verfasser (DE-588)170208907 aut Künstliche Intelligenz was steckt hinter der Technologie der Zukunft? Gerhard Paaß, Dirk Hecker Wiesbaden Springer Vieweg [2020] © 2020 XXII, 496 Seiten Illustrationen, Diagramme 24 cm txt rdacontent n rdamedia nc rdacarrier Artificial Intelligence Artificial intelligence Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Künstliche Intelligenz (DE-588)4033447-8 s DE-604 Hecker, Dirk 1976- Verfasser (DE-588)1236533577 aut Erscheint auch als Online-Ausgabe 978-3-658-30211-5 application/pdf http://deposit.dnb.de/cgi-bin/dokserv?id=7691840d87624345bee61e97ae456378&prov=M&dok_var=1&dok_ext=htm Inhaltsverzeichnis DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032715358&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Paass, Gerhard 1949- Hecker, Dirk 1976- Künstliche Intelligenz was steckt hinter der Technologie der Zukunft? Artificial Intelligence Artificial intelligence Künstliche Intelligenz (DE-588)4033447-8 gnd
subject_GND	(DE-588)4033447-8
title	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft?
title_auth	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft?
title_exact_search	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft?
title_exact_search_txtP	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft?
title_full	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft? Gerhard Paaß, Dirk Hecker
title_fullStr	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft? Gerhard Paaß, Dirk Hecker
title_full_unstemmed	Künstliche Intelligenz was steckt hinter der Technologie der Zukunft? Gerhard Paaß, Dirk Hecker
title_short	Künstliche Intelligenz
title_sort	kunstliche intelligenz was steckt hinter der technologie der zukunft
title_sub	was steckt hinter der Technologie der Zukunft?
topic	Artificial Intelligence Artificial intelligence Künstliche Intelligenz (DE-588)4033447-8 gnd
topic_facet	Artificial Intelligence Artificial intelligence Künstliche Intelligenz
url	http://deposit.dnb.de/cgi-bin/dokserv?id=7691840d87624345bee61e97ae456378&prov=M&dok_var=1&dok_ext=htm http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=032715358&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT paassgerhard kunstlicheintelligenzwassteckthinterdertechnologiederzukunft AT heckerdirk kunstlicheintelligenzwassteckthinterdertechnologiederzukunft

Verfügbarkeit

Es ist kein Print-Exemplar vorhanden.

Fernleihe Bestellen Achtung: Nicht im THWS-Bestand! Inhaltsverzeichnis
Inhaltsverzeichnis

MARC

Datensatz im Suchindex

Es ist kein Print-Exemplar vorhanden.

Ähnliche Einträge