Rezensionen zu KI- und ML-Büchern von Marco Huber

U. Eberl: „33 Fragen, 33 Antworten: Künstliche Intelligenz“

Was ist überhaupt Künstliche Intelligenz und wo ist diese bereits besser als der Mensch? Wenn Sie sich das schon öfter gefragt haben, dann könnte das Buch „33 Fragen, 33 Antworten: Künstliche Intelligenz“ etwas für Sie sein, denn diese und weitere Fragen stellt Ulrich Eberl auf 128 Seiten. Es gehört zur Natur des Menschen, zu fragen und gute Antworten auf Fragen zu finden. Dabei die relevanten Fragen zu stellen, ist gar nicht so einfach. Doch das gelingt Ulrich Eberl vorzüglich. Neben fast schon obligatorischen Fragen, wie der eingangs gestellten, werden in den 33 Kapiteln auch weniger technische, aber ebenso wichtige Fragen zu Themen wie Ethik, Privatsphäre oder Vorurteilen im Zusammenhang mit KI aufgeworfen. Die jeweils darauffolgenden Antworten zeugen von einem hohen Sachverstand des Autors und geben den Lesern Einblicke in zahlreiche Facetten zum Thema KI. Das Lesen des Buches fällt dabei sehr leicht und ist der kurzweiligen Schreibkunst des Autors zu verdanken, der bereits einige KI-Sachbücher verfasst hat. Sich mit Fragen der KI zu nähern, stellt einen unkonventionellen Zugang zu diesem Thema dar, der mit diesem Buch sehr gut gelungen ist.

S. Russell, P. Norvig: „Artificial Intelligence: A Modern Approach“, 2010, 3. Auflage

Das Standardwerk zur Künstlichen Intelligenz gibt es bereits seit 1995 und wurde seither stetig aktualisiert. Kein anderes Buch vereint Tiefgang, Verständlichkeit und Breite so gut wie dieses Buch. Der Anspruch an Ihre Mathematikkenntnisse ist moderat, dafür werden nahezu alle Teildisziplinen der KI abgedeckt, und nicht nur das Feld des Maschinellen Lernens wie in den meisten anderen Büchern. Wenn Sie nur ein Buch zu KI kaufen können, dann ist es dieses. Die vierte Auflage ist noch für Sommer 2020 angekündigt.

Zielgruppe: Studierende eines MINT-Masterstudiengangs, Ingenieure.

G. Strang: „Linear Algebra and Learning from Data“, 2019

Trotz seines hohen Alters von nun 85 Jahren hat Gilbert Strang noch einmal ein Buch zur linearen Algebra vorgelegt. Was hat lineare Algebra mit KI zu tun? Sehr viel, insbesondere, wenn man sich auf das maschinelle Lernen bezieht. Denn hierfür ist die lineare Algebra, neben der Optimierungstheorie, eine mathematische Schlüsseldisziplin, die es zu meistern gilt, wenn Sie sich vertieft mit KI beschäftigen möchten oder müssen. Dies gilt in besonderem Maße für künstliche neuronale Netze, worauf sich Gilbert Strang im letzten Teil seines Buches verstärkt fokussiert.

Zielgruppe: Mathematisch versierte Studierende und Anwender.

D. Spiegelhalter: „The Art of Statistics: Learning from Data“, 2019

Sir David Spiegelhalter lehrte seit den 1980er Jahren bis zu seiner Pensionierung Statistik an der University of Cambridge. Getrieben von dem Anspruch, das Fach Statistik nicht wie sonst üblich trocken, sondern möglichst anschaulich und mit leichtem Zugang zu vermitteln, ist dieses Buch entstanden. Und es ist außerordentlich gut gelungen. Die verschiedenen statistischen Methoden, zu denen auch maschinelle Lernverfahren zählen, werden in jedem Kapitel durch eine Fragestellung aus der Praxis eingeleitet und zur Erklärung der jeweiligen Methode entwickelt. Hierfür kommen nur sehr wenige Formeln zum Einsatz, was für ein Buch über Statistik sehr untypisch ist.

Zielgruppe: Jeder der sich einmal mit Statistik beschäftigen wollte, sich aber nicht getraut hat.

S. Russell: „Human Compatible: Artificial Intelligence and the Problem of Control“, 2019

Eine KI zu entwickeln, die dem Menschen mindestens ebenbürtig ist oder diesen gar übertrifft, ist auf der einen Seite das Bestreben vieler Wissenschaftler und andererseits das, was viele Menschen fürchten. Stuart Russell, Mitautor des Standardwerks „Artificial Intelligence: A Modern Approach“, beschäftigt sich mit diesem Zwiespalt. Er zeigt auf, wie leistungsfähig KI-Systeme heute bereits sind, aber auch, was zur übermenschlichen KI noch fehlt. Weiterhin schlägt er einen Ansatz zur Entwicklung zukünftiger KI-Systeme vor, die dem Menschen dienen, um so dem sonst drohenden Konflikt Mensch vs. Maschine zu entkommen. Im Gegensatz zu den anderen hier besprochenen Büchern beschäftigt sich dieses mit einem Blick in die Zukunft und nicht mit den gegenwärtigen Grundlagen zur KI.

Zielgruppe: Jeder der sich für eine kritische aber ausgewogenen Auseinandersetzung mit KI interessiert.

M. Mitchell: „Artificial Intelligence: A Guide for Thinking Humans“, 2019

Ähnlich wie „Human Compatible“ und „The Art of Statistics“ zielt dieses Buch auf einen sehr anschaulichen Zugang ab. Melanie Mitchell wählt hierfür eine Verknüpfung modernster KI-Methoden mit persönlichen Geschichten und Erfahrungen. Sie erläutert sehr anschaulich, wie die derzeit zentralen Methoden wie tiefe neuronale Netze, Reinforcement Learning oder Natural Language Processing funktionieren. Sie zeigt auf, wo diese Methoden heute erfolgreich angewendet werden, aber auch, wo derzeit ihre Grenzen liegen. Es kommt keine einzige Formel zum Einsatz, vielmehr gelingt die Vermittlung komplexer Inhalte Dank eines ausgesprochenen Talents des „Geschichtenerzählens“.  

Zielgruppe: KI-Einsteiger.

P. Domingos: „The Master Algorithm“, 2015

Die KI-Teildisziplin „Maschinelles Lernen“ unterteilt sich selbst wieder in eine Vielzahl von Strömungen. Pedro Domingos greift dabei die fünf wesentlichen Strömungen auf und führt deren zentrale Sichtweisen und Methoden ein. Hauptziel des Buches ist aber die Suche nach dem „Masteralgorithmus“, also einem Algorithmus, der alle Strömungen in sich vereint. Ähnlich wie die Physik bestrebt ist, eine Weltformel zu finden, welche die fundamentalen Wechselwirkungen vereint. Für zwei Strömungen des maschinellen Lernens gelingt es Domingos, einen gemeinsamen Überbau zu finden. Der Rest bleibt „Future Work“.

Zielgruppe: KI-Einsteiger.

S. Theodoridis: „Machine Learning: A Bayesian and Optimization Perspective“, 2015

Dieser Band ist für diejenigen, die ein Buch mit mathematischem Tiefgang suchen, das eine Vielzahl maschineller Lernverfahren sehr detailliert herleitet und Eigenschaften dieser Verfahren mathematisch beweist. Allerdings ist dies kein Buch, das man sich abends auf den Nachttisch legt oder in einem Rutsch durchliest. Vielmehr ist es ein reichhaltiges Nachschlagewerk, das von den didaktischen Fertigkeiten des Autors lebt. Sergios Theodoridis gelingt es wie kaum einem anderen, die Bezüge zwischen den verschiedenen maschinellen Lernverfahren aufzuzeigen. Mit der kürzlich erschienenen zweiten Auflage ist nun auch der Teil zu Deep Learning auf der Höhe der Zeit.

Zielgruppe: KI-Fortgeschrittene, mathematisch versierte Studierende und Anwender.

I. Goodfellow, Y. Bengio, A. Courville: „Deep Learning“, 2017

Unter den zahlreichen Methoden des maschinellen Lernens stellt das sogenannte „Deep Learning“, also tiefe künstliche neuronale Netze, das derzeit aktivste Forschung- und Anwendungsfeld dar. Die Durchbrüche der letzten Jahre zum Thema KI sind nahezu ausschließlich dem Deep Learning zu verdanken. Die Autoren dieses Buch gehören zu den führenden Forschern in diesem Feld und dies teils schon seit Jahrzehnten. Es erfolgt ein tiefer Einstieg, der einige mathematische Grundfertigkeiten vom Leser verlangt. Dafür bekommen Sie alles vermittelt, was Sie zu Deep Learning wissen müssen.

Zielgruppe: KI-Fortgeschrittene, mathematisch versierte Studierende und Anwender.