Ressourcen und Materialien

Ressourcen und Materialien

Erforderliche Literatur

• Deep Learning von Ian Goodfellow, Yoshua Bengio und Aaron Courville
  

Ein umfassendes Standardwerk, das die theoretischen Grundlagen des Deep Learning behandelt. Essentiell für das Verständnis moderner KI-Modelle und deren Anwendungen in ingenieurtechnischen Kontexten.

• CS231n: Convolutional Neural Networks for Visual Recognition – Stanford Lecture Notes
  

Diese Vorlesungen, wie die von Andrej Karpathy, bieten eine solide Grundlage für das Verständnis der Computer Vision und CNNs. Sowohl Theorie als auch Python-Implementierungen werden behandelt, mit vielen Beispielen, die für ingenieurtechnische Anwendungen relevant sind.

• Machine Learning Yearning von Andrew Ng
  

Ein praktischer Leitfaden, der lehrt, wie man Machine Learning-Projekte strukturiert und verwaltet. Der Fokus auf iterative Verbesserungen und Problemlösungen ist für die praktische Anwendung von KI in Ingenieurprojekten von großer Bedeutung.

• Neural Networks and Deep Learning von Michael Nielsen
  

Dieses zugängliche Buch führt in die Theorie und die praktischen Aspekte von neuronalen Netzwerken und Deep Learning ein und erleichtert das Verständnis komplexer Algorithmen, die in der KI-unterstützten Ingenieurwissenschaft verwendet werden.

• Pattern Recognition and Machine Learning von Christopher M. Bishop
  

Eine umfassende Einführung in die Mustererkennung und das maschinelle Lernen, mit Anwendungen wie Bayesschen Netzwerken und grafischen Modellen, die für die Anomalieerkennung und prädiktive Wartung in der Ingenieurwissenschaft von großer Relevanz sind.

• The Annotated Transformer von Alexander Rush
  

Dieses Werk bietet eine detaillierte Erklärung des Transformer-Modells, das mittlerweile eine kritische Architektur in KI-Anwendungen wie der natürlichen Sprachverarbeitung (NLP) darstellt. Seine Prinzipien können auf technische Dokumentation und Chatbots in der Ingenieurwissenschaft ausgeweitet werden.

• Artificial Intelligence: A Guide for Thinking Humans von Melanie Mitchell
  

Ein sehr zugängliches Buch, das die Schlüsselkonzepte der KI erklärt und dabei gesellschaftliche und ethische Herausforderungen anspricht, die für Ingenieure, die KI in realen Systemen implementieren, wichtig sind.

• Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow von Aurélien Géron
  

Ein praktischer Leitfaden zum maschinellen Lernen, der wichtige Algorithmen und Frameworks mit realen ingenieurtechnischen Anwendungen, wie prädiktive Modellierung und Optimierung, behandelt.

• Deep Reinforcement Learning Hands-On von Maxim Lapan
  

Ein praxisnaher Leitfaden, der das Verstärkungslernen (RL) untersucht, mit praktischen Anwendungen in autonomen Systemen, Robotik und KI-gesteuerten Entscheidungsprozessen, die in der Ingenieurwissenschaft von entscheidender Bedeutung sind.

• AI Ethics von Mark Coeckelbergh
  

Eine wichtige Ressource, die sich auf die ethischen Implikationen der KI konzentriert und sowohl philosophische als auch praktische Bedenken anspricht, die Ingenieure bei der Bereitstellung von KI berücksichtigen sollten.

Zusätzliche Empfehlungen

• The Hundred-Page Machine Learning Book von Andriy Burkov
  

Eine prägnante und zugängliche Einführung in das maschinelle Lernen, die eine breite Palette von Themen abdeckt, von grundlegenden Algorithmen bis hin zu fortgeschrittenen Techniken, ideal für Ingenieure, die neu in der KI sind.

• Automate the Boring Stuff with Python von Al Sweigart
  

Ein praktischer Leitfaden zur Automatisierung von Aufgaben mit Python, der besonders nützlich sein kann, um KI in ingenieurtechnische Arbeitsabläufe zu integrieren und routinemäßige Aufgaben zu automatisieren.

• Introduction to Statistical Learning von Gareth James, Daniela Witten, Trevor Hastie und Robert Tibshirani
  

Eine umfassende Einführung in das statistische Lernen, die die Theorie und praktischen Anwendungen von Techniken des maschinellen Lernens abdeckt, die für KI-basierte ingenieurtechnische Analysen unerlässlich sind.

• Data Science from Scratch von Joel Grus
  

Ein praxisnaher Leitfaden zur Datenwissenschaft, der Datenmanipulation, Visualisierung und maschinelles Lernen in Python behandelt. Dieses Buch ist sehr praktisch für Ingenieure, die KI-Modelle in ihren Projekten implementieren möchten.

• The Elements of Statistical Learning von Trevor Hastie, Robert Tibshirani und Jerome Friedman
  

Ein fortgeschrittenes Buch, das die statistischen Grundlagen des maschinellen Lernens abdeckt und sich für Ingenieure mit starkem mathematischen Hintergrund und Interesse an vertiefenden KI-Konzepten eignet.

• AI Superpowers: China, Silicon Valley, and the New World Order von Kai-Fu Lee
  

Dieses Buch untersucht die globale KI-Landschaft und bietet Einblicke in die technologischen und wirtschaftlichen Implikationen der KI-Entwicklung. Eine hervorragende Lektüre für Ingenieure, die sich für die breiteren Auswirkungen der KI auf die Gesellschaft interessieren.

• Life 3.0: Being Human in the Age of Artificial Intelligence von Max Tegmark
  

Ein anregendes Buch, das die Zukunft der KI und deren potenzielle Auswirkungen auf Gesellschaft, Technologie und Menschheit diskutiert. Eine gute Ressource für Ingenieure, um den gesellschaftlichen Kontext von KI-Fortschritten zu verstehen.

• The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World von Pedro Domingos
  

Ein Buch, das die Suche nach einem universellen Lernalgorithmus und dessen potenzielle Auswirkungen auf verschiedene Bereiche, einschließlich der Ingenieurwissenschaft, untersucht. Eine interessante Lektüre für Ingenieure, die sich für die theoretischen Grenzen der KI interessieren.

Weitere Ressourcen

• Andrej Karpathy’s Blog und Vorlesungen
  

Karpathys Beiträge, insbesondere im Bereich des Deep Learning und des Reinforcement Learning, bieten praktische Einblicke und Beispiele. Sein Blog ist besonders relevant, um die Anwendung der KI in Ingenieur- und Robotikprojekten zu verstehen.

• Stanford Lecture Series (CS229, CS231n)
  

Diese kostenlosen Online-Kurse von Stanford decken KI-Themen wie maschinelles Lernen und Computer Vision ab. CS229 konzentriert sich auf die Theorie des maschinellen Lernens, während CS231n besonders nützlich für Ingenieure ist, die mit visuellen Daten arbeiten.

• Fast.ai – Practical Deep Learning for Coders
  

Fast.ai bietet zugängliche, praxisorientierte Tutorials für Deep Learning, die ideal für Ingenieure sind, die in einer praktischen, code-orientierten Umgebung KI-Anwendungen entwickeln möchten.

• TensorFlow-, PyTorch- und Scikit-Learn-Tutorials
  

Dies sind die beliebtesten Frameworks für den Aufbau von Modellen des maschinellen Lernens. Die offiziellen Tutorials sind für Ingenieure, die KI-Lösungen in ihren Projekten implementieren möchten, von unschätzbarem Wert.

• Kaggle-Datensätze und Notebooks
  

Kaggle bietet reale Datensätze und Notebooks, die ideal sind, um Techniken des maschinellen Lernens und der KI zu üben. Ingenieure können Datensätze finden, die mit spezifischen ingenieurtechnischen Problemen wie prädiktiver Wartung zusammenhängen.

• KI in Ingenieurwesen Fallstudien – Forschungsarbeiten
  

Fügen Sie aktuelle Arbeiten zu KI-Anwendungen im Ingenieurwesen ein, wie KI für prädiktive Wartung, generatives Design oder Robotik. Diese Arbeiten helfen, die Studierenden über die Verwendung von KI in der Industrie auf dem Laufenden zu halten.

• The Bitter Lesson – Essay von Richard Sutton
  

Ein einflussreicher Essay, der diskutiert, warum großangelegte Lernverfahren mit allgemeinen Algorithmen handgefertigte Lösungen übertreffen. Dies ist besonders wichtig für das Verständnis der langfristigen Trends der KI in der Ingenieurwissenschaft.

Zusätzliche Online-Kurse

• Coursera: “Machine Learning” von Andrew Ng
  

Ein grundlegender Kurs, der eine umfassende Einführung in das maschinelle Lernen bietet, einschließlich Regression, Clustering und neuronalen Netzwerken, mit praktischen Anwendungen in der Ingenieurwissenschaft.

• edX: “Artificial Intelligence (Micromasters)” von Columbia University
  

Dieses Programm behandelt die Grundlagen der KI, mit einem Fokus auf Robotik, maschinelles Lernen und natürliche Sprachverarbeitung, die für Ingenieurstudierende von großer Relevanz sind.

• DeepLearning.AI TensorFlow Developer Professional Certificate
  

Dieser Kurs konzentriert sich auf den Aufbau und die Bereitstellung von KI-Modellen mit TensorFlow und ist perfekt für Ingenieure, die KI in ihre Systeme und Arbeitsabläufe integrieren möchten.

• Universität Stavanger: “Artificial Intelligence for Engineers”
  

Dieser Kurs bietet ein intuitives Verständnis der KI-Anwendungen im Ingenieurwesen. Er behandelt grundlegende Konzepte und mathematische Prinzipien und ist für Studierende geeignet, die KI-Projekte in ihren Ingenieurarbeitsplätzen planen und ausweiten möchten.

• Coursera: “AI For Everyone” von Andrew Ng
  

Dieser Kurs ist für absolute Anfänger konzipiert und bietet einen nicht-technischen Überblick über KI. Er ist ideal für diejenigen ohne starken technischen Hintergrund, die die Fähigkeiten und Implikationen von KI verstehen möchten.

• MIT OpenCourseWare: “Artificial Intelligence”
  

Ein kostenloser Kurs, der eine umfassende Einführung in klassische KI-Algorithmen und -Anwendungen bietet. Er umfasst Vorlesungsvideos, Übungsaufgaben und Prüfungen und bietet den Studierenden eine anspruchsvolle akademische Erfahrung, die sich auf die Grundlagen der KI konzentriert.

• Stanford University: “Artificial Intelligence Graduate Certificate”
  

Dieses Graduiertenprogramm behandelt grundlegende Prinzipien der KI, einschließlich maschinellen Lernens und natürlicher Sprachverarbeitung, und eignet sich für Studierende, die eine formelle Zertifizierung in KI anstreben.

• MIT xPro: “Designing and Building AI Products and Services”
  

Dieses Zertifikatsprogramm konzentriert sich auf die Designprinzipien und Anwendungen von KI in verschiedenen Branchen, was es für Ingenieure, die an Produktentwicklung und KI-Implementierung interessiert sind, äußerst relevant macht.

Werkzeuge und Frameworks

Kern-Frameworks für maschinelles Lernen und Deep Learning

• TensorFlow
  

Open-Source-Bibliothek, die von Google entwickelt wurde. Hervorragend geeignet für große maschinelles Lernen-Projekte und besonders stark in der Produktionsbereitstellung.

• PyTorch
  

Entwickelt von Facebooks AI Research Lab. Bekannt für seine dynamischen Berechnungsgraphen und beliebt in der Forschung aufgrund seiner Flexibilität und Benutzerfreundlichkeit.

• Scikit-Learn
  

Konzentriert sich auf klassische Algorithmen des maschinellen Lernens. Hervorragend geeignet für Datenvorverarbeitung und Modellbewertung. Benutzerfreundlich und gut dokumentiert.

Entwicklungsumgebungen

• Jupyter Notebooks
  

Interaktive Programmierumgebung, die sich hervorragend für Datenvisualisierung und schrittweise Algorithmusentwicklung eignet.

• Google Colab
  

Cloud-basierte Jupyter-Notebook-Umgebung, die kostenlosen Zugang zu GPUs bietet, was vorteilhaft für Deep Learning-Projekte ist.

Ingenieurspezifische Werkzeuge

• MATLAB mit KI-Toolboxen
  

Weit verbreitet in Ingenieurdiziplinen. Bietet spezialisierte Toolboxen für KI, Regelungssysteme und Signalverarbeitung. Integriert sich gut mit Hardware für Robotik- und Automatisierungsprojekte.

• Simulink
  

MATLABs Begleitwerkzeug für modellbasierte Entwürfe. Nützlich zum Simulieren und Testen von KI-Systemen in ingenieurtechnischen Kontexten.

Zusätzliche relevante Werkzeuge

• Keras
  

Eine hochgradige API für neuronale Netzwerke, die auf TensorFlow ausgeführt werden kann und Deep Learning zugänglicher macht.

• OpenCV
  

Eine Computer-Vision-Bibliothek, die für bildverarbeitende Aufgaben in ingenieurtechnischen Anwendungen unerlässlich ist.

• ROS (Robot Operating System)
  

Eine Sammlung von Softwarebibliotheken und -werkzeugen für die Entwicklung von Robotersoftware. Nützlich für die Integration von KI in Robotikprojekten.

• Pandas
  

Eine Datenmanipulations- und Analysebibliothek, die für die Vorverarbeitung von Ingenieurdaten unerlässlich ist.

• NumPy
  

Ein fundamentales Paket für wissenschaftliches Rechnen in Python, das für numerische Operationen in KI-Algorithmen entscheidend ist.

• Docker
  

Eine Containerisierungsplattform, die nützlich ist, um reproduzierbare KI-Umgebungen zu erstellen und Modelle bereitzustellen.

• Git und GitHub
  

Ein Versionskontrollsystem und eine Plattform, die für kollaborative KI-Projekte und die Codeverwaltung unerlässlich sind.