iX Developer Machine Learning

Machine Learning hat in den letzten Jahren so rasante technische Fortschritte gemacht wie kaum ein anderer Bereich der IT. Zahlreiche Open-Source-Werkzeuge stehen Entwicklerinnen und Entwicklern zur Verfügung. Neben den Frameworks wie TensorFlow und PyTorch existieren konkrete Methoden für spezifische Anwendungsbereiche wie BERT und Word2vec bei der Textanalyse oder YOLO zur Objektdetektion.



Das iX-Developer-Sonderheft "Machine Learning: Bessere Modelle, produktiver Einsatz" trägt der rasanten Entwicklung als Fortführung des Machine-Learning-Sonderhefts von 2018 Rechnung. Es beleuchtet die jüngsten Entwicklungen im Bereich der großen Frameworks, der Data-Science-Bibliotheken von Python sowie zahlreiche Methoden und Algorithmen. Das Heft bietet vor allem einen breiten Praxisteil mit konkreten Anwendungen in der Textanalyse und für die Zeitreihenvorhersage sowie mit einem dreiteiligen Tutorial zur Bildanalyse.



Seit rund zehn Jahren bieten die iX-Developer-Sonderhefte einen zeitgemäßen Querschnitt zu den wichtigsten Trends der Softwareentwicklung. Die Redaktionen von heise Developer und iX gewähren mit ihrer journalistisch-neutralen und akribischen Arbeit immer wieder aufs Neue hochklassige Hefte, die Entwicklern hilfreiche Tipps für die Praxis bieten.



6 Unsupervised Learning: Methoden und Einsatz

16 Experimente für Reinforcement Learning

24 Long Short-Term Memory für Geschäftsanwendungen

30 Erklärbarkeit und Fairness

34 Ein Streifzug durch die PyData-IT-Landschaft

40 TensorFlow 2.0 und Keras: Imperative Modellentwicklung

44 PyTorch als Alternative zu TensorFlow

48 Data Version Control im Team mit Open-Source-Werkzeugen

54 Machine Learning für IoT und Mobile

60 Vom Modell zum produktiven Einsatz

64 Machine Learning as a Service

70 Hardwarebeschleuniger für neuronale Netze

76 Julia – eine differenzierbare Programmiersprachefür ML

84 Word Embeddings: Theorie und Beispielanwendung

94 Textanalyse mit BERT

100 Methoden für Zeitreihenvorhersagen

108 Deep-Learning-Tutorial Bildanalyse:

108 Teil 1: Bilder für das Modelltraining aufbereiten

114 Teil 2: Trainieren des Modells

120 Teil 3: Einsatz auf der Zielhardware

126 Machine Learning zur Schadcode-Erkennung

129 Recommender-Systeme in der Praxis

137 Gefahren durch Angriffe auf KI

140 Neuronale Netze: Angriffe und Verteidigung

143 Datenschutz und Urheberrecht bei der KI-Entwicklung