Lernressourcen für KI

In den letzten 30 Tagen, im mAI, gab es täglich einen Post zum Thema Künstliche Intelligenz. Darunter waren ganz allgemeine Einführungen in Themen wie maschinelles Lernen oder Deep Learning. Einige Posts waren spezifischer und haben Empehlungssysteme, Data Warehouses oder Trading mit KI behandelt. Einige Tools wurden vorgestellt, darunter DALL-E 2 und Midjourney oder ChatGPT. Und auch etwas Python-Code wurde geschrieben, wie z.B. bei der Bildklassifizierung mit Convolutional Neural Networks. Der heutige Post soll den mAI abschließen und einige Lernressourcen für KI vorstellen.

Kostenlose E-Books

Es gibt einige sehr gute und kostenlose E-Books über künstliche Intelligenz und maschinelles Lernen:

• „The Hundred-Page Machine Learning Book“ von Andriy Burkov: Ein guter Einstieg in Machine Learning, denn das E-Book deckt die wichtigsten Konzepte, Algorithmen und Methoden in einfacher und verständlicher Sprache ab.
• „Understanding Machine Learning“ von Shai Shalev-Shwartz und Shai Ben-David: Liest man, wenn man mehr über die Theorie von ML lernen möchte. Es behandelt überwachtes und unüberwachtes Lernen und stellt dabei die mathematischen Grundlagen und Algorithmen klar und prägnant dar.
• „Foundations of Data Science“ von Avrim Blum, John E. Hopcroft und Ravi Kannan: Ein Einführungsbuch für Data Science, welches verschiedene Themen beinhaltet wie z.B. Statistik, Datenvisualisierung und ML-Konzepte.
• „The Elements of Statistical Learning“ von Trevor Hastie, Robert Tibshirani und Jerome Friedman: Ein grundlegendes Werk, wenn man die mathematischen bzw. statistischen Grundlagen von ML und Data Mining verstehen will.
• „Ein kleiner Überblick über Neuronale Netze“ von David Kriesel: Ein guter Überblick zu den Grundlagen von Deep Learning – neuronale Netze. Dabei wird das Buch nicht zu komplex.
• „Deep Learning“ von Yoshua Bengio, Ian Goodfellow und Aaron Courville: Ein umfassendes Buch für Deep Learning. Beinhaltet die fundamentalen NN-Typen, Convolutional Neural Networks, Sequenzmodelle und mehr.
• „Neural Networks and Deep Learning“ von Michael Nielsen: Ist zwar kein E-Book im PDF-Format, aber die Website geht sehr anschaulich auf die Funktionsweise neuronaler Netzwerke und Deep Learning ein.

Online-Kurse

Neben Büchern und E-Books sind Online-Kurse eine sehr gute Möglichkeit, sich weiterzubilden. Der Vorteil hier ist, dass es in den Kursmodulen häufig Beispielcode gibt, z.B. in Form von Jupyter Notebooks. Schauen wir uns nun ein paar Kursplattformen mit jeweiligen Kursen an.

Coursera

Die bekanntesten Online-Kurse für Machine Learning und Deep Learning sind wahrscheinlich die von Andrew Ng (deeplearning.AI) auf Coursera.

• „AI for Everyone“ von Deeplearning.AI: Dieser Kurs ist für „Nicht-Techies“ gedacht. Wenn man also keine mathematischen Details lernen oder mit Python ML programmieren möchte, dann ist der Kurs richtig, um einen ersten Eindruck von KI zu bekommen.
• „Machine Learning Specialization“ von Deeplearning.AI: Eine Reihe von Kursen, welche überwachtes und unüberwachtes Lernen, Empfehlungssysteme, neuronale Netze und Verstärkungslernen abdecken.
• „Deep Learning Specialization“ von Deeplearning.AI: Diese Spezialisierung konzentriert sich auf Deep Learning und deckt CNNs, Sequenzmodelle und Themen wie Optimierung ab.

edX

edX ist eine Plattform, die von Harvard und dem MIT ins Leben gerufen wurde. Auch hier findet man einige Kurse zu KI und ML:

• „CS50’s Introduction to Artificial Intelligence with Python„: CS50 ist der Harvard Computer Science-Track. Der entsprechende Kurs vermittelt die Grundlagen der modernen KI und tiefergreifende Konzepte wie z.B. Suchalgorithmen, Klassifikation, Optimierung und Verstärkungslernen.
• „Google AI for Everyone“ von Google: Ein Einführungskurs zum Thema Künstliche Intelligenz. Beinhaltet auch das Kapitel Ethik und Fairness.
• „Oxford Artificial Intelligence Programme„: Ein sechswöchiger Kurs zu KI: Geschichte und Funktionalität, Anwendung und ethische Herausforderungen. Speziell für Manager, Geschäftsführer und technische Fachleute konzipiert.

Udacity

Udacity bietet intensivere, projektbasierte Kurse, die als „Nanodegrees“ bekannt sind. Hier ein Beispiel:

• „AI Programming with Python“ Nanodergee: Lernen der grundlegenden Elemente von KI mit Python. Grundlagen bzgl. Programmierung (Python, NumPy, PyTorch), Mathematik (Analysis, lineare Algebra) und die Schlüsselkonzepte neuronaler Netzwerke (Gradient Descent und Backpropagation).

Podcasts

Auch für die Ohren gibt es Lernressourcen für KI, nämlich diverse Podcasts. Auch wenn hier vielleicht keine mathematischen Details über ML-Modelle lernt, kann man immer auf dem neuesten Stand der Technik bleiben.

• „The AI Podcast“ von NVIDIA: In diesem Podcast führt Noah Kravitz Gespräche mit führenden Expert:innen in den Bereichen KI, ML und Deep Learning. Es wird diskutiert, wie diese Technologien funktionieren, wie sie sich entwickeln und wie sie den Menschen beeinflussen.
• „Lex Fridman Podcast“: In diesem Podcast führt Lex Fridman, Forscher am MIT, Gespräche mit Gästen aus verschiedenen Disziplinen. Fridman ist für seine sehr bekannten Gäste bekannt wie z.B. Elon Musk oder Sam Altman.

Fazit

Es gibt viele verschiedene Lernressourcen für KI, z.B. Bücher, kostenlose E-Books, Online-Kurse, oder Podcasts. Wenn man erstmal Konzepte lernen möchte, ohne Code, dann sind einige der Bücher ein guter Anfang. Wenn man jedoch das praktische Lernen am PC bevorzugt, dann lohnen sich die Kurse von Andrew Ng auf Coursera. Wenn es wiederum projektbasierter sein soll, dann kann man auf Udacity vorbeischauen. Podcasts hingegen sind natürlich wunderbar fürs Spazierengehen.

Wenn du ein Wunschthema hast oder mir Feedback geben willst, schreibe gerne einen Kommentar oder schicke eine Mail an mail@thorejohannsen.de.