Inhaltsverzeichnis

• BEGINN
• Inhaltsverzeichnis
• Warnhinweise
• Programmdownload
• Kapitel 1 • Einführung
• 1.1 In Drei Stufen zur "Superintelligenz"?
• 1.2 Wie Maschinen lernen können
• Kapitel 2 • Eine kleine Geschichte der KI
• Kapitel 3 • Lernen aus großen Datenmengen
• 3.1 Maschinelles Lernen und Künstliche Intelligenz
• Kapitel 4 • Hardwarebasis
• Kapitel 5 • Der PC als universelle KI-Maschine
• 5.1 Der Computer als Programmierzentrale
• Kapitel 6 • Raspberry Pi
• 6.1 Remote Desktop
• 6.2 Smartphones und Tablets als Bildschirme
• 6.3 FileZilla
• 6.4 Pimp my Pi
• Kapitel 7 • Sipeed Maix: Der "MaixDuino"
• 7.1 Klein aber fein: Die Leistungsmerkmale des "MaixDuino"
• 7.2 Anwendungsbereiche
• 7.3 Inbetriebnahme und Funktionstest
• 7.4 Stromversorgung und stand-alone Betrieb
• Kapitel 8 • Programmier- und Entwicklungs-umgebungen
• 8.1 Thonny - eine Python IDE für Ein- und Aufsteiger
• 8.2 Universalgenie: Thonny für RasPi und MaixDuino
• 8.3 Umgang mit Dateien
• 8.4 Thonny auf dem Raspberry Pi
• 8.5 Tipps zur Fehlerbehebung in der Thonny IDE
• 8.6 Die MaixPy IDE
• 8.7 MicroPython-Interpreter auf dem MaixDuino
• 8.8 Flash-Tool im Einsatz
• 8.9 Machine Learning und Interaktives Python
• 8.10 Anaconda
• 8.11 Jupyter
• 8.12 Installation und Start
• 8.13 Jupyter mit MicroPython-Kernel
• 8.14 Kommunikationsaufbau zum MaixDuino
• 8.15 Des Pudels Kern: Kernels
• 8.16 Arbeiten mit Notizbüchern
• 8.17 Alle Libraries an Board?
• 8.18 Python mit Spyder
• 8.19 Wer programmiert wen?
• Kapitel 9 • Python: Ein Kompendium
• 9.1 Kommentare erleichtern das Leben
• 9.2 Die print()-Anweisung
• 9.3 Ausgaben auf das Display
• 9.4 Einrückungen und Blöcke
• 9.5 Zeitsteuerung und sleep
• 9.6 Die Hardware im Griff: Digitale Ein- und Ausgänge
• 9.7 Für wichtige Werte: Variablen und Konstanten
• 9.8 Zahlen und Variablentypen
• 9.9 Konvertieren von Zahlentypen
• 9.10 Arrays als Basis Neuronaler Netze
• 9.11 Operatoren
• 9.12 Bedingungen, Verzweigungen und Schleifen
• 9.13 Versuch und Irrtum: try und except
• Kapitel 10 • Unentbehrliche Helfer: Libraries
• 10.1 MatPlotLib als Grafikkünstler
• 10.2 Das Rechengenie: NumPy
• 10.3 Die Datenkrake: pandas
• 10.4 Lernen und Visualisieren: SciKit, SciPy, SciKit-image und Co
• 10.5 Maschinen lernen Sehen - mit OpenCV
• 10.6 Intelligenzbestien: KERAS und TensorFlow
• 10.7 Wissenstransfer: Übertragung von Lernleistungen
• 10.8 Grafische Darstellung der Netzstruktur
• 10.9 Lösung des XOR-Problems in KERAS
• 10.10 Virtuelle Umgebungen
• Kapitel 11 • Machine Learning in der Praxis
• 11.1 Transferfunktionen und vielschichtige Netze
• 11.2 Blüten und Daten
• 11.3 Grafische Darstellungen von Datensätzen
• 11.4 Ein Netz für Iris-Blüten
• 11.5 Zwei Paar Stiefel: Trainieren und Testen
• 11.6 Welche Blüte ist das?
• 11.7 Test und Lernverhalten
• Kapitel 12 • Erkennung von handschriftlichen Zahlen
• 12.1 "Hello ML" - MNIST-Datensatz
• 12.2 Ein Neuronales Netzes liest Ziffern
• 12.3 Training, Tests und Prognosen
• 12.4 Erweiterung auf Online-Video
• 12.5 KERAS kann es noch besser!
• 12.6 "Gefaltete" Netzwerke
• 12.7 Power-Training
• 12.8 Niemals ohne Qualitätskontrolle!
• 12.9 Livebilder erkennen
• 12.10 Chargengrößen und Epochen
• 12.11 Auch der MaixDuino liest Ziffern
• Kapitel 13 • Maschinen lernen sehen: Objekterkennung
• 13.1 TensorFlow für den Raspberry
• 13.2 Virtuelle Umgebungen
• 13.3 Ein universelles TFLite-Modell im Einsatz
• 13.4 Ideal für "Messies": Klamotten sortieren
• 13.5 Aufbau und Training des Modells
• 13.6 MaixDuino erkennt 20 Objekte
• 13.7 Gegenstände erkennen, zählen und sortieren
• Kapitel 14 • Maschinen lernen hören und sprechen
• 14.1 Sprich mit mir!
• 14.2 RasPi lernt sprechen
• 14.3 Messgeräte mit Sprachausgabe
• 14.4 Ich habe Sie (nicht) verstanden...
• 14.5 RasPi als "ChatBot"
• 14.6 "PlauderBots"
• 14.7 Das "sprechende Auge"
• 14.8 Eine "KI-Fledermaus"
• Kapitel 15 • Gesichtserkennung und -identifizierung
• 15.1 Das Recht am eigenen Bild
• 15.2 Maschinen erkennen Menschen und Gesichter
• 15.3 MaixDuino als Türspion
• 15.4 Wie viele Personen waren auf der Party?
• 15.5 Personenalarm
• 15.6 Sozialer Sprengstoff? - Gesichtsidentifizierung
• 15.7 "Big Brother" RasPi: Gesichtsidentifizierung in der Praxis
• 15.8 Bitte recht freundlich ;-)
• 15.9 Foto-Training
• 15.10 Erkenne dich selbst! (und andere...)
• 15.11 Ein Biometriescanner als Türöffner
• 15.12 Geschlecht und Alter erkennen
• Kapitel 16 • Trainieren eigener Modelle
• 16.1 Erstellung eines Modells für den MaixDuino
• 16.2 MaixDuino erkennt Elektronik-Komponenten
• 16.3 Performance des trainierten Netzes
• 16.4 Praxistest
• 16.5 Ausblick: Multi-Objekt-Detektoren
• Kapitel 17 • Zukunftsmusik: Von der KPU zum Neuromorphen Chip
• Kapitel 18 • Elektronische Bauelemente
• 18.1 Breadboards
• 18.2 Drahtbrücken und Jumper-Kabel
• 18.3 Widerstände
• 18.4 Leuchtdioden (LEDs)
• 18.5 Transistoren
• 18.6 Sensoren
• 18.7 Ultraschall-Entfernungsmesser
• Kapitel 19 • Fehlersuche
• Kapitel 20 • Bezugsquellen
• Kapitel 21 • Literatur
• Kapitel 22 • Abbildungsverzeichnis
• Stichwortverzeichnis