Machine Learning und künstliche Intelligenz sind Wachstumsbereiche und wecken auch in der Wissenschaft immer mehr Interesse. Einige fortgeschrittene Anwendungsmöglichkeiten, von denen bisweilen in den Nachrichten berichtet wird, mögen zwar hochkomplex und abschreckend wirken, doch die Basiskonzepte sind im Grunde recht einfach. In diesem Artikel präsentieren wir Ihnen einige Bestseller, die sich an Machine-Learning-Einsteiger (oder einfach nur an Neugierige) richten. Manche davon setzen eine gewisse Vertrautheit mit Programmiersprachen und Mathematik voraus, aber auf solche Fälle weisen wir ausdrücklich hin.
1. „Maschinelles Lernen für absolute Anfänger: Zweite Ausgabe“ von Oliver Theobald
Verfasser: Oliver Theobald
Website: Amazon
Der Titel sagt eigentlich schon alles, oder? Wer als Themenneuling eine vollständige Einführung in Machine Learning sucht, ist mit diesem Buch gut beraten. Wenn Theobald von „absoluten Anfängern“ spricht, ist dies übrigens durchaus wörtlich zu nehmen. Mathematisches Wissen und Programmierkenntnisse werden nämlich nicht vorausgesetzt, was dieses Buch zum allgemeinverständlichsten Einstieg in die Materie für interessierte Laien macht.
Um Anfänger nicht zu überfordern, verzichtet der Autor ganz auf Fachchinesisch und legt stattdessen Wert auf eine einfache, verständliche Sprache. Zu den vorgestellten Algorithmen gibt es klar formulierte Erklärungen und anschauliche Illustrationen, die das Verständnis erleichtern. Zur Einordnung in den Kontext werden auch einige einfache Programmierbeispiele angeführt.
2. „Maschinelles Lernen mit Python und R für Dummies“ von John Paul Mueller und Luca Massaron
Verfasser: John Paul Mueller und Luca Massaron
Website: Amazon
Apropos absolute Anfänger: Die „Dummies“-Reihe ist ebenfalls für den Neueinstieg geeignet. Dieses Buch macht den Leser mit den grundlegenden Konzepten und Theorien des maschinellen Lernens sowie mit realen Anwendungen vertraut. Es präsentiert die wesentlichen Programmiersprachen und -tools und verdeutlicht, dass Machine Learning keine Zauberei, sondern für jeden praktisch anwendbar ist.
Das Buch enthält auch Beispielcode in Python und R, mit dem Maschinen lernen, Muster zu erkennen und Ergebnisse zu analysieren. Schon von diesen kleinen Aufgaben und Mustern lässt sich ableiten, wie vielseitig anwendbar Machine Learning im Alltag ist, etwa in Form von Websuchen, Onlinewerbung, E-Mail-Filtern, Tools zur Betrugsaufklärung usw. Mit diesem Buch können Sie den ersten Schritt in die Welt des maschinellen Lernens gehen.
3. „Fundamentals of Machine Learning for Predictive Data Analytics: Algorithms, Worked Examples, and Case Studies“ von John D. Kelleher, Brian Mac Namee und Aoife D’Arcy
Verfasser: John D. Kelleher, Brian Mac Namee und Aoife D’Arcy
Website: Amazon
Dieses Buch behandelt alle Grundlagen des Machine Learning. Es geht auf die Theorie des Fachs ein und veranschaulicht diese anhand von praktischen Anwendungsbeispielen und Fallstudien. Für die Lektüre sollten Sie idealerweise schon Analytics-Grundkenntnisse haben.
Die verschiedenen Lernansätze des Machine Learning werden vorgestellt, und zu jedem Lernkonzept sind Algorithmen, Modelle und Anwendungsfälle angeführt, die die Umsetzung in der Praxis demonstrieren.
4. „Kollektive Intelligenz analysieren, programmieren und nutzen“ von Toby Segaran
Verfasser: Toby Segaran
Website: O’Reilly | Amazon
Bei diesem Werk handelt es sich weniger um eine fachliche Einführung ins Machine Learning, sondern eher um einen praxisorientierten Leitfaden für dessen Umsetzung. In diesem Buch erfahren Sie, wie Sie Machine-Learning-Algorithmen erstellen, um nützliche Daten für bestimmte Projekte zu erheben. Außerdem lernen Sie, wie man ein Programm schreibt, mit dem Sie auf Daten von Websites zugreifen, Daten aus Anwendungen sammeln und aus den erhobenen Daten Erkenntnisse ziehen können.
Toby Segarans Buch präsentiert auch Filtertechniken, Methoden zur Erkennung von Gruppen und Mustern, Suchalgorithmen, Prognosemodelle und vieles mehr. Jedes Kapitel enthält Übungen zur Anwendung der Lerninhalte.
5. „Machine Learning for Hackers“ von Drew Conway und John Myles White
Verfasser: Drew Conway und John Myles White
Website: O’Reilly | Amazon
Das im Titel vorkommende Wort „Hacker“ wird hier in seinem eher technischen Sinne verwendet, bezeichnet also Programmierer, die für bestimmte Ziele und praktische Projekte kreative Codelösungen suchen. Für alle, die keine Mathegenies sind, aber einige Erfahrung mit Programmiersprachen und Codeschreiben haben, ist „Machine Learning for Hackers“ wie geschaffen. Da zum Parsen von Daten Algorithmen benötigt werden, setzt Machine Learning normalerweise umfangreiches mathematisches Wissen voraus, doch viele erfahrene Programmierer kommen auch ohne dieses aus.
Das Buch verzichtet weitestgehend auf mathematische Theorie und richtet den Fokus stattdessen auf Fallstudien zu realen Praxisanwendungen, anhand derer die Materie erläutert wird. Es präsentiert typische Machine-Learning-Probleme und entsprechende Lösungen mit der Programmiersprache R. Die Anwendungsmöglichkeiten sind nahezu unbegrenzt: Sie reichen vom Vergleich von Wahlergebnissen einzelner US-Senatoren über ein System für Empfehlungen, wem es sich auf Twitter zu folgen lohnt, bis hin zur Spamerkennung für E-Mails basierend auf dem E-Mail-Inhalt.
6. „Machine Learning in Action“ von Peter Harrington
Verfasser: Peter Harrington
Website: Amazon
„Machine Learning in Action“ ist ein Handbuch, das Neulinge Schritt für Schritt in die Techniken des Machine Learning einführt und die Konzepte erklärt, die der praktischen Anwendung zugrunde liegen. Als eine Art Tutorial bringt es Entwicklern bei, wie sie selbst Programme schreiben können, die zu Analysezwecken Daten erfassen.
Außerdem lernt der Leser in diesem Buch die in der Praxis angewandten Techniken kennen, wobei der Schwerpunkt auf den Algorithmen liegt. Beispielcode und -algorithmen in Programmiersprachen helfen beim Einstieg und veranschaulichen, wie sich maschinelles Lernen damit verbessern lässt. Da die meisten Beispiele auf Python basieren, sind Kenntnisse dieser Programmiersprache von Vorteil.
7. „Data Mining: Practical Machine Learning Tools and Techniques“ von Ian H. Witten, Eibe Frank und Mark A. Hall
Verfasser: Ian H. Witten, Eibe Frank und Mark A. Hall
Website: Amazon
Die Autoren von „Data Mining“ konzentrieren sich auf die technischen Aspekte des maschinellen Lernens und darauf, wie mithilfe bestimmter Data-Mining-Techniken die benötigten Daten gesammelt werden. Dabei gehen sie auf die technischen Details des Machine Learning ein, vermitteln Methoden zur Datenerhebung und erklären, wie sich mit verschiedenen Eingangs- und Ausgangsdaten Ergebnisse bewerten lassen.
Da sich das maschinelle Lernen ständig weiterentwickelt, diskutiert das Buch auch Modernierungstendenzen und neue Softwareprodukte, die prägenden Einfluss haben. Herkömmliche Techniken werden ebenso präsentiert wie neue Forschungsresultate und Tools. Besondere Aufmerksamkeit verdient die Software Weka, die die Autoren selbst für Machine-Learning-Anwendungen entwickelt haben.
Haftungsausschluss: Die in diesem Artikel vorgestellten Publikationen und die darin enthaltenen Standpunkte geben weder den offiziellen Standpunkt von Tableau wieder, noch zieht Tableau Nutzen daraus. Diese Seite steht in keinerlei Zusammenhang mit Affiliate-Link-Programmen. Dieser Artikel dient ausschließlich Informationszwecken; die oben angeführten Informationen über Produkte und Publikationen werden lediglich zur Verfügung gestellt, um Lesern eigenständige, sachkundige Entscheidungen zur ermöglichen.