Machine Learning mit Python für PC, Raspberry Pi und Maixduino

Inhaltsverzeichnis

• Kapitel 1: Einführung
• Kapitel 2: Eine kleine Geschichte der KI
• Kapitel 3: Lernen aus großen Datenmengen
• Kapitel 4: Hardwarebasis
• Kapitel 5: Der PC als universelle KI-Maschine
• Kapitel 6: Raspberry Pi
• Kapitel 7: Sipeed Maix: Der "Maixduino"
• Kapitel 8: Programmier- und Entwicklungsumgebungen
• Kapitel 9: Python: Ein Kompendium
• Kapitel 10: Unentbehrliche Helfer: Libraries
• Kapitel 11: Machine Learning in der Praxis
• Kapitel 12: Erkennung von handschriftlichen Zahlen
• Kapitel 13: Maschinen lernen sehen: Objekterkennung
• Kapitel 14: Maschinen lernen hören und sprechen
• Kapitel 15: Gesichtserkennung und -identifizierung
• Kapitel 16: Trainieren eigener Modelle
• Kapitel 17: Zukunftsmusik: Von der KPU zum Neuromorphen Chip
• Kapitel 18: Elektronische Bauelemente
• Kapitel 19: Fehlersuche
• Kapitel 20: Bezugsquellen
• Kapitel 21: Literatur
• Kapitel 22: Abbildungsverzeichnis
• Stichwortverzeichnis

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 Entwicklungsumgebungen

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