Bild vom Herausgeber

# Einführung

Es gibt Es lässt sich nicht leugnen, dass sich die Agenten-KI schnell weiterentwickelt. Vor einem Jahr waren die meisten Groups noch damit beschäftigt, RAG-Pipelines (Retrieval-Augmented Technology) und LLM-Wrapper (Massive Language Mannequin) zu entwickeln. Jetzt werden Multi-Agenten-Orchestrierung, Software-Aufruf, Speicherverwaltung und autonome Aufgabenausführung in Produktionssysteme integriert.

Das Downside? Die meisten On-line-Inhalte sind fragmentiert, veraltet oder von jemandem geschrieben, der noch nie etwas bereitgestellt hat. Bücher gewinnen immer noch, wenn Sie Tiefe und Kohärenz benötigen. Diese fünf sind diejenigen, die Ihre Zeit im Jahr 2026 wert sind, wenn Sie Systeme erstellen, bei denen Modelle nicht nur reagieren, sondern agieren.

# 1. KI-Engineering von Chip Huyen

Chip Huyen ist seit Jahren eine der klarsten Stimmen im Bereich angewandtes maschinelles Lernen KI-Engineering (O’Reilly, 2025) ist wohl ihre bislang praktischste Arbeit. Es deckt den gesamten Stapel von LLM-Anwendungen für die Gebäudeproduktion ab, von Evaluierungsframeworks und schnelles Design für Agentenarchitekturen und echte Kompromisse bei der Bereitstellung. Es ist technisch, ohne akademisch zu sein, und es verschwendet nie Seiten mit der Erklärung von Dingen, die Sie bereits wissen.

Was es für die Agentenarbeit besonders wertvoll macht, ist die Artwork und Weise, wie Huyen mit dem Bewertungsproblem umgeht. Agenten sind bekanntermaßen schwer zu testen, und es gibt einen ausführlichen Abschnitt zum Erstellen robuster Auswertungen für nicht deterministische, mehrstufige Systeme, bei denen die richtige Antwort nicht immer offensichtlich ist. Wenn Sie mit Software-Calling-Agenten oder komplexen Reasoning-Pipelines arbeiten, zahlt sich dies durchweg aus.

Über Agenten hinaus ist es eine nützliche Linse, um über Kompromisse in jedem KI-gestützten System nachzudenken: Latenz vs. Genauigkeit, Kosten vs. Leistungsfähigkeit, Automatisierung vs. menschliche Aufsicht. Bei Huyens Gestaltung steht konsequent die Technik im Vordergrund, nicht die Forschung, was es in einer Weise praktisch macht, die in vielen Büchern dieser Kategorie vermisst wird.

# 2. LLM Engineer’s Handbook von Paul Iusztin und Maxime Labonne

Veröffentlicht von Packt Ende 2024, Handbuch für LLM-Ingenieure Es liest sich, als wäre es von Ingenieuren geschrieben worden, die auf die gleichen Hindernisse gestoßen sind, auf die auch Sie stoßen werden. Es durchläuft die gesamte LLMOps-Pipelinevom Characteristic-Engineering und der Feinabstimmung bis hin zur RAG-Architektur und dem Aufbau von Systemen, die unter realer Final zuverlässig bleiben. Der Textual content ist voller Code- und Architekturdiagramme, was genau das ist, was Sie wollen, wenn Sie versuchen, etwas zu versenden.

Die agentenrelevanten Abschnitte konzentrieren sich auf RAG im großen Maßstab und den Entwurf modularer Komponenten, die zu größeren, autonomeren Arbeitsabläufen zusammengestellt werden können. Es wird großer Wert auf Beobachtbarkeit und die Debugbarkeit Ihrer Systeme gelegt, was umso wichtiger ist, wenn Agenten beginnen, bei jedem Schritt Entscheidungen ohne menschliche Bestätigung zu treffen.

Es gibt auch ein nützliches Kapitel über Kostenoptimierung und Batch-Strategien für Produktionsagenten, Bereiche, die in den meisten Tutorials beschönigt werden, aber zu echten Problemen werden, sobald Sie mit der Verarbeitung sinnvoller Mengen beginnen. Für Groups, die alles in Produktionsqualität bauen, ist es eine der umfassendsten technischen Referenzen in diesem Bereich.

# 3. Praktische große Sprachmodelle von Jay Alammar und Maarten Grootendorst

Jay Alammar hat den Ruf, komplexe Konzepte des maschinellen Lernens visuell und intuitiv zu gestalten, und das O’Reilly-Buch 2024 Praktische große Sprachmodelle bringt die gleiche Klarheit in die angewandte LLM-Arbeit. Dies ist eine der besten Möglichkeiten, ein echtes mentales Modell davon zu erstellen wie sich Sprachmodelle unter verschiedenen Bedingungen verhaltenwas sehr wichtig ist, wenn Sie Agenten entwerfen, die konsistent argumentieren, planen und Instruments verwenden müssen.

Das Buch behandelt Einbettungen, semantische Suche, Textklassifizierung und -generierung auf eine Artwork und Weise, die direkt beeinflusst, wie Sie entwerfen würden die Komponenten innerhalb eines Agentensystems. Es ist grundlegender als einige der anderen auf dieser Liste, aber grundlegendes Verständnis zahlt sich aus, wenn Ihre Agenten anfangen, sich auf eine Weise zu verhalten, die Sie nicht erwartet haben.

Der visuelle Ansatz zur Erklärung von Aufmerksamkeitsmechanismen, Tokenisierung und Einbettungsräumen ist auch nützlich, um diese Konzepte an nicht-technische Stakeholder zu kommunizieren, was in Groups, die seriöse Agentenprodukte entwickeln, häufiger zur Sprache kommt, als man erwarten würde. Auch erfahrene Praktiker haben etwas davon.

# 4. Aufbau LLM-gestützter Anwendungen von Valentina Alto

Erstellen von LLM-gestützten Anwendungen richtet sich direkt an Praktiker, die echte Produkte herstellen. Altbezüge LangChainvermitteln Ihnen vom ersten Kapitel an praxisnahe Einblicke in Technik, Speicher, Ketten und Agenten. Die Codebeispiele sind aktuell, die Architekturmuster sind sofort anwendbar und es gibt genügend Breite, um schneller von Null zu einem funktionierenden Prototyp zu gelangen, als es die meisten Ressourcen zulassen.

Das Besondere an der Agenten-KI ist die Abdeckung des Agentenspeichers und der Software-Integration. Es gibt einen fokussierten, praktischen Blick auf die Strukturierung von Agentenschleifen, den eleganten Umgang mit Fehlern und die Verkettung von Modellen oder Werkzeugen, ohne dass die Dinge brüchig werden. Alto befasst sich auch mit Multi-Agent-Architekturen, einschließlich der Gestaltung von Systemen, bei denen mehrere spezialisierte Agenten an einer einzigen Aufgabe zusammenarbeiten, was zu einem Kernmuster in anspruchsvolleren Agentenanwendungen geworden ist.

Für Groups, die ihre ersten Agentenfunktionen in ein echtes Produkt integrieren, ist es ein zuverlässiger Leitfaden, der seinen Platz im Regal verdient.

# 5. Immediate Engineering für generative KI von James Phoenix und Mike Taylor

Lassen Sie nicht zu, dass der Titel unterbietet. In Immediate Engineering für generative KIgehen Phoenix und Taylor eingehend auf Gedankenketten, ReAct-Muster, Planungsschleifen und die Verhaltensarchitektur ein, die Agenten im Jahr 2026 dazu bringt, die Erwartungen zu übertreffen. Es ist eine überraschend gute Ressource, um zu verstehen, warum Agenten in der Praxis versagen und wie man Eingabeaufforderungen und Arbeitsabläufe gestaltet, die sie vorhersehbarer machen.

Die Abschnitte zur Werkzeugnutzung und zum mehrstufigen Agentenverhalten sind besonders nützlich für alle, die Systeme erstellen, die über Single-Flip-Interaktionen hinausgehen. Es ist außerdem intestine geschrieben und wirklich lesbar, was Ihnen hilft, wenn Sie schnell viele neue Konzepte durcharbeiten.

Ein unterschätzter Aspekt des Buches ist die systematische und nicht intuitive Herangehensweise an das Immediate-Debugging. Wenn sich ein Agent schlecht verhält, spart ein echter Rahmen zur Diagnose, ob das Downside in der Eingabeaufforderung, im Modell oder in der Software-Integration liegt, viel Zeit. Kombinieren Sie es mit etwas, das stärker auf die Infrastruktur ausgerichtet ist, aus dieser Liste, und sie ergänzen sich intestine.

# Letzte Gedanken

Es gibt keinen Mangel an Tutorials und Threads zum Thema Agentische KI, aber die meisten davon veralten innerhalb weniger Wochen. Diese fünf Bücher halten stand, weil sie verschiedene Schichten des Stapels abdecken, ohne sich zu sehr zu überlappen.

Letztendlich sollten Sie Ihre Auswahl danach treffen, wo Ihre aktuellen Lücken liegen: Architektur, Technik, Evaluierung oder Agentenverhaltensdesign. Wenn Sie es ernst meinen mit der Entwicklung von Systemen, die in der Produktion und nicht nur in Demos funktionieren, ist die Lektüre mehrerer davon die richtige Entscheidung.

Buchtitel	Hauptfokus	Am besten für…
KI-Engineering	Produktionsstapel und Evaluierungen	Ingenieure benötigen robuste Bewertungsrahmen für nichtdeterministische Systeme
Handbuch für LLM-Ingenieure	LLMOps und Skalierbarkeit	Groups, die eine durch Retrieval erweiterte Generierung in großem Maßstab einsetzen, wobei der Schwerpunkt auf Beobachtbarkeit liegt
Praktische große Sprachmodelle	Grundlagen & Instinct	Aufbau eines tiefen mentalen Modells des Modellverhaltens durch visuelle Erklärungen
Erstellen von LLM-gestützten Anwendungen	Schnelles Prototyping	Praktische Lernende, die schnell von Null zu einem Multi-Agent-Prototyp übergehen möchten
Immediate Engineering für generative KI	Verhaltensarchitektur	Beherrschen von Denkmustern (ReAct) und systematisches Immediate-Debugging

Nahla Davies ist Softwareentwickler und technischer Autor. Bevor sie sich hauptberuflich dem technischen Schreiben widmete, schaffte sie es – neben anderen faszinierenden Dingen –, als leitende Programmiererin bei einer Inc. 5.000-Organisation für experimentelles Branding zu arbeiten, zu deren Kunden Samsung, Time Warner, Netflix und Sony gehören.

Bild vom Herausgeber

# Einführung

Meistens lernt man besser, indem man Dinge baut, wie es in der Frontend-Entwicklung üblich ist. Ich erinnere mich, dass ich, als ich zum ersten Mal mit dem Codieren begann, einen Monat lang etwas über UI/UX, HTML und CSS gelesen habe, aber es gelang mir immer noch nicht, eine einfache Benutzeroberfläche zu entwerfen. Denn diese Artwork des Lernens erfordert Übung, Projekte und praktische Erfahrung.

Maschinelles Lernen ist anders. In diesem Bereich ist es lohnender, ein tiefes Verständnis der Theorie zu haben. Dabei geht es nicht nur um die Anwendung einfacher Regeln wie in anderen Bereichen. Wenn Sie nicht verstehen, was unter der Haube passiert, stoßen Sie leicht auf Hindernisse oder machen Fehler in Ihren Modellen. Deshalb empfehle ich dringend, hochwertige Bücher zum Thema maschinelles Lernen zu lesen.

Dieser Artikel ist Teil unserer neuen Serie, in der wir KOSTENLOSE, aber absolut lohnende Bücher hervorheben. Wenn Sie ernsthaft lernen und Ihre Grundlagen stärken möchten, ist diese Liste genau das Richtige für Sie. Beginnen wir mit der ersten Empfehlung.

# 1. Maschinelles Lernen verstehen: Von der Theorie zu Algorithmen

Maschinelles Lernen verstehen: Von der Theorie zu Algorithmen führt maschinelles Lernen auf strenge, aber prinzipielle Weise ein, ausgehend von der Kernfrage, wie Erfahrungen (Trainingsdaten) in Fachwissen (Vorhersagemodelle) umgewandelt werden können. Es baut auf grundlegenden theoretischen Ideen bis hin zu praktischen algorithmischen Paradigmen auf. Es gibt einen umfassenden Überblick über die Mathematik hinter dem Lernen, befasst sich sowohl mit der statistischen als auch mit der rechnerischen Komplexität von Lernaufgaben und behandelt algorithmische Methoden wie stochastischen Gradientenabstieg, neuronale Netze, strukturiertes Output-Lernen sowie neue Theorien wie PAC-Bayes und Kompressionsgrenzen. Es ist perfekt für alle, die über die Verwendung von Black-Field-Modellen hinausgehen und wirklich verstehen möchten, warum sich Algorithmen so verhalten, wie sie es tun.

// Überblick über die Gliederung:

• Grundlagen des Lernens (Kerntheorie des Lernens, wahrscheinlich annähernd korrektes (PAC) Lernen, Vapnik-Chervonenkis (VC)-Dimension, Verallgemeinerung, Kompromiss zwischen Voreingenommenheit und Komplexität)
• Algorithmen und Optimierung (lineare Prädiktoren, neuronale Netze, Entscheidungsbäume, Boosting, stochastischer Gradientenabstieg, Regularisierung)
• Modellauswahl und praktische Überlegungen (Überanpassung, Unteranpassung, Kreuzvalidierung, Recheneffizienz)
• Unüberwachtes und generatives Lernen (Clustering, Dimensionsreduktion, Hauptkomponentenanalyse (PCA), Erwartungsmaximierungsalgorithmus (EM), Autoencoder)
• Fortgeschrittene Theorie und neue Themen (Kernel-Methoden, Assist-Vektor-Maschinen (SVMs), PAC-Bayes, Komprimierungsgrenzen, On-line-Lernen, strukturierte Vorhersage)

# 2. Mathematik für maschinelles Lernen

Mathematik für maschinelles Lernen schließt die Lücke zwischen den mathematischen Grundlagen und den Kerntechniken des maschinellen Lernens. Es ist in zwei Hauptteile gegliedert. Der erste Teil behandelt die wichtigsten mathematischen Werkzeuge wie lineare Algebra, Evaluation, Wahrscheinlichkeitsrechnung und Optimierung. Der zweite Teil zeigt, wie diese Werkzeuge bei wichtigen maschinellen Lernaufgaben wie Regression, Klassifizierung, Dichteschätzung und Dimensionsreduktion eingesetzt werden. Viele Bücher über maschinelles Lernen behandeln Mathematik als Nebenthema, aber dieses Buch konzentriert sich auf Mathematik, damit die Leser Modelle für maschinelles Lernen wirklich verstehen und erstellen können.

// Überblick über die Gliederung:

• Mathematische Grundlagen für maschinelles Lernen (lineare Algebra, analytische Geometrie, Matrixzerlegungen, Vektorrechnung, Wahrscheinlichkeit und kontinuierliche Optimierung)
• Überwachtes Lernen und Regression (lineare Regression, Bayesianische Regression, Parameterschätzung, empirische Risikominimierung)
• Dimensionsreduktion und unüberwachtes Lernen (PCA, Gaußsche Mischungsmodelle, EM-Algorithmus, Modellierung latenter Variablen)
• Klassifizierung und erweiterte Modelle (SVMs, Kernel, trennende Hyperebenen, probabilistische Modellierung, grafische Modelle)

# 3. Eine Einführung in das statistische Lernen

Eine Einführung in das statistische Lernen (meiner Meinung nach ein moderner Klassiker) bietet Ihnen eine klare, praktische Einführung in den Bereich des statistischen Lernens – im Grunde geht es darum, wie wir Daten verwenden, um Vorhersagen zu treffen und Muster zu verstehen. Es behandelt die wichtigsten Instruments, die Sie benötigen, wie Regression, Klassifizierung, Resampling (um zu überprüfen, wie intestine Ihre Modelle sind), Regularisierung (um zu verhindern, dass die Dinge verrückt werden), baumbasierte Methoden, SVMs, Clustering und sogar neuere Themen wie Deep Studying, Überlebensanalyse und die gleichzeitige Bewältigung vieler Assessments. Jedes Kapitel enthält auch echte Python-basierte Übungen, sodass Sie nicht nur die Ideen lernen, sondern auch lernen, wie Sie sie in Code übersetzen.

// Überblick über die Gliederung:

• Grundlagen des statistischen Lernens (Einführung in das statistische Lernen, überwachtes vs. unüberwachtes Lernen, Regression vs. Klassifizierung, Modellgenauigkeit und Bias-Varianz-Kompromisse)
• Lineare und nichtlineare Modellierung (lineare Regression, logistische Regression, verallgemeinerte lineare Modelle, polynomiale Regression, Splines und verallgemeinerte additive Modelle)
• Erweiterte Vorhersagemethoden (baumbasierte Methoden, Ensemble-Methoden, SVMs, Deep Studying und neuronale Netze)
• Unbeaufsichtigte und spezialisierte Techniken (PCA, Clustering, Überlebensanalyse, zensierte Daten und mehrere Testmethoden)

# 4. Mustererkennung und maschinelles Lernen

Mustererkennung und maschinelles Lernen lehrt, wie Maschinen lernen können, Muster aus Daten zu erkennen. Es beginnt mit den Grundlagen der Wahrscheinlichkeit und Entscheidungsfindung, um das Verständnis von Unsicherheit zu erleichtern. Anschließend werden wichtige Techniken wie lineare Regression, Klassifizierung, neuronale Netze, SVMs und Kernel-Methoden behandelt. Später werden fortgeschrittenere Modelle wie grafische Modelle, Mischungsmodelle, Stichprobenmethoden und sequentielle Modelle erläutert. Das Buch konzentriert sich auf den Bayes’schen Ansatz, der hilft, mit Unsicherheiten umzugehen und Modelle zu vergleichen, anstatt nur eine einzige „beste“ Lösung zu finden. Obwohl die Mathematik eine Herausforderung sein kann, ist sie perfekt für Studenten oder Ingenieure, die ein tiefes Verständnis des maschinellen Lernens wünschen.

// Überblick über die Gliederung:

• Grundlagen des maschinellen Lernens (Wahrscheinlichkeitstheorie, Bayes’sche Methoden, Entscheidungstheorie, Informationstheorie und der Fluch der Dimensionalität zum Aufbau einer starken konzeptionellen Foundation)
• Kernmodelle (lineare Regression und Klassifizierung, neuronale Netze, Kernel-Methoden und Sparse-Modelle, mit Schwerpunkt auf Bayes’schen Ansätzen, Regularisierung und Optimierungstechniken)
• Fortgeschrittene Methoden (grafische Modelle, Mischungsmodelle mit EM, Näherungsinferenz und Stichprobenverfahren für komplexe probabilistische Modellierung)
• Spezielle Themen und Anwendungen (kontinuierliche latente Variablenmodelle (PCA, probabilistische PCA, Kernel-PCA), sequentielle Daten (versteckte Markov-Modelle (HMMs), lineare dynamische Systeme (LDS), Partikelfilter), Modellkombinationsstrategien und praktische Anhänge für Datensätze, Verteilungen und Matrixeigenschaften)

# 5. Einführung in maschinelle Lernsysteme

Einführung in maschinelle Lernsysteme zeigt, wie man echte maschinelle Lernsysteme baut – nicht nur Modelle, sondern den gesamten Aufbau, der sie zum Funktionieren bringt. Zunächst wird erklärt, warum es nicht ausreicht, zu wissen, wie man ein Modell trainiert: Sie müssen sich auch mit Datentechnik und Systemdesign auskennen, wissen, wie {Hardware} und Software program zusammentreffen, wie man sie in der realen Welt einsetzt und wie man dafür sorgt, dass alles funktioniert und sicher bleibt. Es bietet auch praktische Übungen und betont, dass Sie wie ein Ingenieur denken müssen ({Hardware}, Ressourcenbeschränkungen, Pipelines, Zuverlässigkeit) und nicht nur wie ein Modellbauer. Das Ziel besteht darin, Ihnen die Sprache, die Frameworks und die technische Denkweise zu vermitteln, um von „Ich habe ein Modell“ zu „Ich habe ein funktionierendes KI-System zu gelangen, das skalierbar, strong ist und echten Anforderungen entspricht.“

// Überblick über die Gliederung:

• Grundlagen und Designprinzipien (grundlegende Architektur maschineller Lernsysteme, einschließlich Einführung, Arbeitsabläufe für maschinelles Lernen, Datentechnik, Frameworks, Trainingsinfrastruktur)
• Efficiency Engineering (Modelloptimierungen, Hardwarebeschleunigung, Inferenzeffizienz, Benchmarking und Kompromisse auf Systemebene)
• Robuste Bereitstellung (Machine-Studying-Operationen (MLOps), Lernen auf dem Gerät, Sicherheit und Datenschutz, Robustheit, Vertrauenswürdigkeit)
• Grenzen maschineller Lernsysteme (nachhaltige KI, KI für das Gute, Systeme der künstlichen allgemeinen Intelligenz (AGI), neue Forschungsrichtungen)

# Zusammenfassung

Diese Bücher decken die wichtigsten Teile des maschinellen Lernens ab, von Mathematik und Statistik bis hin zu realen Systemen. Zusammen zeigen sie einen klaren Weg vom Verständnis der Theorie bis zur Erstellung und Verwendung von Modellen für maschinelles Lernen. Welche Themen sollte ich als nächstes behandeln? Lass es mich in den Kommentaren wissen.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Einführung

Als ich anfing, mich mit Datenwissenschaft zu beschäftigen, wurde mir klar, dass sich viele Menschen übermäßig auf Python, R und SQL konzentrieren. Sie müssen außerdem das statistische Denken, die Algorithmen hinter den Modellen und die effektive Analyse realer Daten verstehen. Ich glaube, dass schon der Title „Information Science“ impliziert, dass man sich mehr auf die Wissenschaft als auf die Technik konzentrieren sollte. In vielen Kursen lernen Sie nur, wie Sie bestimmte Aufgaben ausführen, aber das Verständnis der Theorien, Modelle und der Artwork und Weise, wie man eine gute Datengeschichte erzählt, ist genauso wichtig. Ich finde auch, dass Bücher diese Aspekte umfassender abdecken. Um diese Idee zu fördern, haben wir diese Empfehlungsserie gestartet kostenlose, aber sehr wertvolle Bücher. Jeder, der ernsthaft eine Karriere in diesem Bereich anstrebt, sollte diese Empfehlungen lesen.

# 1. Datenwissenschaft: Theorien, Modelle, Algorithmen und Analysen

Dieses erste Buch begann als Unterrichtsnotiz für einen Kurs „Maschinelles Lernen mit R“ und entwickelte sich zu einem umfassenden Leitfaden für Datenwissenschaft. Es erklärt, dass es bei der Datenwissenschaft nicht nur um maschinelles Lernen geht. Sie benötigen hochwertige Daten, nützliche Modelle, klares Denken und Systeme, die große Datenmengen verarbeiten können. Das Buch bespricht die Ideen, die hinter Vorhersagen stehen, die Modelle und Algorithmen, die diese Arbeit ausführen, und die praktischen Analysen, die Daten in echte Entscheidungen umwandeln. Es hilft Ihnen, den gesamten Prozess von den Daten bis hin zu Einblicken in reale Umgebungen zu verstehen.

// Überblick über die Gliederung:

• Grundlagen der Datenwissenschaft (Datentypen, Vorverarbeitung, statistisches Denken, Merkmalsauswahl, Ensemble-Lernen, Vorhersagen und Prognosen, Innovation und Experimente, mathematische Grundlagen: Evaluation, Wahrscheinlichkeit, Vektoren, Regression, Matrixalgebra).
• Maschinelles Lernen und Algorithmen (Überwachtes und unüberwachtes Lernen, neuronale Netze, Deep Studying, Textanalyse, Netzwerke, Diskriminanz- und Faktoranalyse, Logit-/Probit-Modelle, Clustering und Vorhersagebäume).
• Analytik und Anwendungen (R-Programmierung, Datenverarbeitung und -extraktion, Korrelation und Zusammenführung, Internet Scraping, Querschnittsdaten, interaktive Apps mit Shiny, Empfehlungssysteme, Produktmarktprognosen).
• Fortgeschrittene Themen (Fourieranalyse, komplexe Algebra, Monte-Carlo-Simulationen, Brownsche Bewegungen, Optimierung, Portfolioberechnungen).

# 2. Assume Stats, 3. Auflage

Denken Sie an Statistiken lehrt Wahrscheinlichkeitsrechnung und Statistik mit Python. Es konzentriert sich auf praktische Möglichkeiten, reale Daten zu untersuchen und Fragen zu beantworten, anstatt in schwerer Mathematik stecken zu bleiben. Sie lernen, wie Sie Daten importieren und bereinigen, einzelne Variablen überprüfen, sehen, wie Variablen zueinander in Beziehung stehen, Regressionsmodelle erstellen und Ideen testen. Der Autor verwendet Python-Code und Jupyter-Notizbücher So können Sie mit den Daten interagieren und sehen, wie die Dinge funktionieren. Es ist unglaublich praktisch für Softwareentwickler, Datenwissenschaftler und alle, die den praktischen Umgang mit Daten erlernen möchten.

// Überblick über die Gliederung:

• Wahrscheinlichkeitsgrundlagen (Verteilungen, Satz von Bayes, Stichprobenziehung).
• Deskriptive Statistik und explorative Datenanalyse (Zusammenfassende Statistiken, Visualisierungen, Korrelationen).
• Statistische Schlussfolgerung (Konfidenzintervalle, Hypothesentests, p-Werte).
• Praktische Anwendungen (Python-Übungen, reale Datensätze, angewandte Datenanalysetechniken).

# 3. Python Information Science-Handbuch

Der Python Information Science-Handbuch dreht sich alles um die Verwendung von Python für reale datenwissenschaftliche Aufgaben. Zuerst erfahren Sie, wie Sie Daten untersuchen und damit umgehen, dann geht es an die Erstellung von Diagrammen und Grafiken und schließlich geht es um die Modellierung. Sie verwenden IPython oder Jupyter und ähnliche Bibliotheken NumPy für Arrays, Pandas für Tische, Matplotlib für Diagramme und Scikit-Be taught zum Modellieren. Es gibt zahlreiche Beispiele, sodass Sie Konzepte beim Lernen ausprobieren können. Es ist ein praktischer Leitfaden, wenn Sie bereits Python-Kenntnisse haben und die Analyse, Visualisierung und Modellierung von Daten verbessern möchten. Die On-line-Model ist kostenlos, Sie können aber auch ein gedrucktes Exemplar erhalten.

// Überblick über die Gliederung:

• Grundlagen der Datenwissenschaft (IPython-Grundlagen: Hilfe/Dokumentation, Verknüpfungen, magische Befehle, Eingabe-/Ausgabeverlauf, Debugging, Profilerstellung).
• Datenmanipulation und -berechnung (NumPy-Arrays: Datentypen, Broadcasting, Indizierung, Aggregationen; Pandas: Indizierung/Auswahl, Zusammenführung, Gruppierung, Umgang mit fehlenden Daten, Zeitreihen).
• Visualisierung (Matplotlib: Linien-/Punktdiagramme, Histogramme, Unterdiagramme, Anmerkungen, 3D-Plots, Grundkarte; Seaborn-Visualisierungen).
• Maschinelles Lernen (Scikit-learn: überwachte/unüberwachte Modelle, Characteristic Engineering, Hyperparameter, Modellvalidierung, Hauptkomponentenanalyse (PCA), Assist Vector Machines (SVM), Entscheidungsbäume, Clustering, Gaußsche Mischungen, Anwendungspipelines).

# 4. Information Science an der Kommandozeile

Datenwissenschaft an der Kommandozeile geht es darum, Information Science über die Befehlszeile durchzuführen, anstatt ausschließlich grafische Instruments zu verwenden. Es behandelt das Abrufen von Daten aus Tabellenkalkulationen, dem Internet, APIs oder Datenbanken. wie man es mit Textdateien, CSV, JSON oder XML bereinigt; wie man es erforscht und Diagramme erstellt; und wie man es mit Techniken wie Regression, Klassifizierung oder Dimensionsreduktion modelliert. Selbst wenn Sie Python oder R bereits kennen, zeigt dieses Buch, wie die Befehlszeile Dinge schneller machen, große Datenmengen verarbeiten und sich in einen vollständigen Workflow mit Instruments wie integrieren lässt Docker und UNIX-Dienstprogramme. Der Inhalt ist kostenlos on-line verfügbar, es gibt jedoch auch eine gedruckte Model.

// Überblick über die Gliederung:

• Erste Schritte und Datenerfassung (Daten abrufen, Docker installieren, grundlegende Unix-Konzepte, mit Dateien arbeiten, E/A umleiten, Datenbanken abfragen, APIs aufrufen).
• Datenvorbereitung und Instruments (Erstellen von Befehlszeilentools, Konvertieren von Skripten in Python/R, Bereinigen von Daten: Textual content, CSV, XML/JSON).
• Projektmanagement und Exploration (Verwenden von Make für den Workflow, Überprüfen von Daten, Berechnen deskriptiver Statistiken, Erstellen von Visualisierungen: Diagramme, Histogramme, Streu-/Dichte-/Boxdiagramme).
• Erweiterte Verarbeitung und Modellierung (Parallele und verteilte Pipelines, Regression, Klassifizierung, Dimensionsreduktion, maschinelles Lernen mit Gelübde Wabbit und Scikit-Be taught).
• Polyglott & Fazit (Mit Jupyter, Python, R, RStudio, Apache Sparkpraktische Ratschläge, Befehlszeilen-Workflows, nächste Schritte in der Datenwissenschaft).

# 5. Information Mining und maschinelles Lernen

Dieses Buch deckt viele der Hauptideen hinter maschinellem Lernen und Information Mining ab, basiert jedoch auf Statistiken. Es werden Möglichkeiten zur Vorhersage von Ergebnissen (überwachtes Lernen) und zum Auffinden versteckter Muster (unüberwachtes Lernen) erörtert. Die Autoren verwenden viele Beispiele und Diagramme aus der Praxis, um zu zeigen, wie die Methoden tatsächlich funktionieren, wobei die Mathematik klar und nicht zu überwältigend bleibt. Es richtet sich an alle, die ein solides Verständnis dafür haben möchten, wie Lernalgorithmen auf Statistiken basieren und wie sie in Bereichen wie Biologie, Finanzen oder Advertising eingesetzt werden können.

// Überblick über die Gliederung:

• Grundlagen der Datenanalyse (Information-Mining-Übersicht, numerische und kategoriale Attribute, Diagrammdaten, Kernel-Methoden, hochdimensionale Daten, Dimensionsreduktion).
• Häufiges Sample-Mining (Itemset-Mining, Zusammenfassen von Itemsets, Sequence-Mining, Graph-Sample-Mining, Muster- und Regelbewertung).
• Clustering-Techniken (Repräsentativbasiertes, hierarchisches, dichtebasiertes Spektral-/Graphen-Clustering, Clustering-Validierung).
• Klassifizierungsmethoden (Probabilistische Klassifizierung, Entscheidungsbäume, lineare Diskriminanzanalyse, Assist-Vektor-Maschinen, Klassifizierungsbewertung).
• Regression und fortgeschrittene Modelle (Lineare und logistische Regression, neuronale Netze, Deep Studying, Regressionsauswertung).

# Zusammenfassung

Diese fünf Bücher behandeln die Grundlagen, praktischen Techniken und fortgeschrittenen Ideen der Datenwissenschaft. Sie sind kostenlos, intestine geschrieben und eine großartige Möglichkeit, Ihr Verständnis über Tutorials und Kurse hinaus zu vertiefen. Lesen Sie sie durch und teilen Sie mir Ihre Meinung in den Kommentaren mit!

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Technology Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Variety in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Herausgeber

# Einführung

Als ich anfing, KI zu lernen, habe ich viel Zeit damit verbracht, Code aus Tutorials zu kopieren, aber mir wurde klar, dass ich nicht wirklich verstand, wie es funktioniert. Die eigentliche Fähigkeit besteht nicht nur darin, Fashions laufen zu lassen. Es geht darum zu wissen, warum sie funktionieren und wie man sie auf reale Probleme anwenden kann. KI-Bücher haben mir geholfen, die Konzepte, die Argumentation und die praktische Seite der KI auf eine Artwork und Weise zu erlernen, wie es kein kurzes Tutorial vermochte. Vor diesem Hintergrund beginnen wir mit dieser Empfehlungsreihe KOSTENLOSE, aber wirklich wertvolle Bücher. Dieser Artikel richtet sich an alle, die KI erlernen möchten, und hier finden Sie die ersten Empfehlungen.

# 1. Neuronale Netze und Deep Studying

Das Buch Neuronale Netze und Deep Studying führt Sie von den Grundlagen neuronaler Netze bis hin zum tatsächlichen Aufbau und Coaching tiefer Modelle auf eigene Faust. Es beginnt mit einfachen Ideen wie Perzeptronen und Sigmoidneuronen und führt Sie dann durch die Erstellung eines Netzwerks, das handgeschriebene Ziffern erkennen kann. Sie erfahren auch, wie Backpropagation tatsächlich funktioniert, um diese Modelle zu trainieren, und wie Sie sie mit Dingen wie Kostenfunktionen, Regularisierung, Gewichtsinitialisierung und Optimierung von Hyperparametern verbessern können. Es gibt viele Python-Codebeispiele, sodass Sie die Dinge selbst testen und sehen können, wie alles zusammenhängt. Es verbindet Instinct und Mathematik intestine miteinander, sodass Sie nicht nur beginnen, etwas zu verstehen Wie Neuronale Netze funktionieren, aber Warum. Wenn Sie sich bereits ein wenig mit Mathematik auskennen (z. B. lineare Algebra oder Infinitesimalrechnung), ist dies eine gute Wahl, um über die bloße Verwendung einer Bibliothek hinauszugehen und tatsächlich zu wissen, was unter der Haube passiert.

// Überblick über die Gliederung:

• Grundlagen neuronaler Netze (Perzeptrone, Sigmoidneuronen, Netzwerkarchitektur, Klassifizierung handschriftlicher Ziffern, Gradientenabstieg, Implementierung von Netzwerken)
• Backpropagation und Lernen (Matrixbasierte Berechnung, Kostenfunktionsannahmen, Hadamard-Produkt, vier grundlegende Backpropagation-Gleichungen, Algorithmusimplementierung, Verbesserung des Lernens)
• Fortgeschrittene Trainingstechniken (Kreuzentropiekosten, Überanpassung und Regularisierung, Gewichtsinitialisierung, Hyperparameterauswahl, Universalität neuronaler Netze, Erweiterungen über Sigmoidneuronen hinaus)
• Deep Studying und Faltungsnetzwerke (Drawback des verschwindenden Gradienten, instabile Gradienten, Faltungs-Neuronale Netze, praktische Implementierungen, jüngste Fortschritte bei der Bilderkennung, zukünftige Richtungen)

# 2. Tiefes Lernen

Tiefes Lernen gibt einen wirklich guten Überblick über Deep Studying und wie Maschinen tatsächlich aus Erfahrungen lernen und komplexe Ideen aus einfacheren aufbauen. Es beginnt mit dem mathematischen Teil, den Sie benötigen, wie lineare Algebra, Wahrscheinlichkeit, Informationstheorie und ein wenig numerische Berechnung, und geht dann durch die Grundlagen des maschinellen Lernens. Anschließend geht es tiefer auf moderne Deep-Studying-Methoden wie Feedforward, Faltungs- und wiederkehrende Netzwerke, Regularisierung und Optimierung ein und zeigt, wie sie in realen Projekten eingesetzt werden. Es geht auch um einige fortgeschrittene Themen wie Autoencoder, generatives und Repräsentationslernen sowie strukturierte Wahrscheinlichkeitsmodelle. Es richtet sich hauptsächlich an Personen mit soliden mathematischen Kenntnissen und ist daher eher ein Nachschlagewerk für Recherchen oder fortgeschrittene Arbeiten als ein Leitfaden für Anfänger.

// Überblick über die Gliederung:

• Faktormodelle und Autoencoder (PCA, ICA, spärliche Codierung, unvollständige und regulierte Autoencoder, Rauschunterdrückung, vielfältiges Lernen)
• Repräsentationslernen und probabilistische Modelle (Schichtweises Vortraining, Transferlernen, verteilte Darstellungen, strukturierte probabilistische Modelle, ungefähre Inferenz, Monte-Carlo-Methoden)
• Tiefgreifende generative Modelle und fortgeschrittene Techniken (Boltzmann-Maschinen, Deep-Consider-Netzwerke, Faltungsmodelle, generative stochastische Netzwerke, Autoencoder-Sampling, Evaluierung generativer Modelle)

# 3. Praktisches Deep Studying

Hyperlink:
Der kostenlose Kurs Praktisches Deep Studying richtet sich an Personen, die sich bereits mit dem Programmieren auskennen und sich mit maschinellem Lernen und Deep Studying vertraut machen möchten. Anstatt nur Theorie zu lesen, beginnen Sie sofort mit der Erstellung von Modellen für reale Aufgaben. Der Kurs behandelt moderne Instruments wie Python, PyTorchund die fastai Bibliothek und zeigt Ihnen, wie Sie alles von der Datenbereinigung bis zum Modelltraining, Testen und Bereitstellen handhaben. Sie arbeiten mit tatsächlichen Notizbüchern, Datensätzen und Problemen, sodass Sie durch praktisches Lernen lernen. Der Schwerpunkt liegt auf praktischen, aktuellen Methoden zur Auswahl des richtigen Algorithmus, seiner ordnungsgemäßen Validierung, Skalierung und Bereitstellung.

// Überblick über die Gliederung:

• Grundlagen & Modelltraining (Grundlagen neuronaler Netze, stochastischer Gradientenabstieg, affine Funktionen und Nichtlinearitäten, Backpropagation, MLPs, Autoencoder)
• Domänenübergreifende Anwendungen (Pc Imaginative and prescient mit CNNs, Verarbeitung natürlicher Sprache (NLP) einschließlich Einbettungen und Phrasenähnlichkeit, tabellarische Datenmodellierung, kollaborative Filterung und Empfehlungen)
• Fortgeschrittene Techniken und Optimierung (Transferlernen, Gewichtsabfall, Datenerweiterung, beschleunigter stochastischer Gradientenabstieg (SGD), ResNets, gemischte Präzision, DDPM/DDIM, Aufmerksamkeit und Transformatoren, latente Diffusion, Superauflösung)
• Bereitstellung und praktische Fähigkeiten (Modelle in Internet-Apps umwandeln, Genauigkeit/Geschwindigkeit/Zuverlässigkeit verbessern, ethische Überlegungen, Frameworks wie The Learner, Matrixoperationen, Modellinitialisierung/-normalisierung)

# 4. Künstliche Intelligenz: Grundlagen rechnergestützter Agenten

Das Buch Künstliche Intelligenz: Grundlagen rechnergestützter Agenten erklärt KI anhand der Idee von „Rechenagenten“, Systemen, die wahrnehmen, lernen, schlussfolgern und handeln können. Die neueste Ausgabe fügt neuere Themen wie neuronale Netze, Deep Studying, Kausalität und die sozialen und ethischen Aspekte der KI hinzu. Es zeigt, wie Agenten aufgebaut sind, wie sie planen und handeln und wie sie mit komplexen oder unsicheren Situationen umgehen. Jedes Kapitel enthält Algorithmen in PythonFallstudien und reale Diskussionen, damit Sie sowohl das Wie als auch das Warum erfahren. Es ist eine ausgewogene Mischung aus Theorie und Praxis, superb für Studenten oder alle, die eine moderne und tiefgreifende Einführung in die KI wünschen.

// Überblick über die Gliederung:

• Grundlagen von KI und Agenten (Natürliche vs. künstliche Intelligenz, historischer Kontext, Agentendesignraum und Beispiele wie Lieferroboter, Diagnoseassistenten, Nachhilfesysteme, Handelsagenten und Good Houses.)
• Agentenarchitekturen und -steuerung (hierarchische Kontrolle, Agentenfunktionen, Offline- vs. On-line-Berechnung und wie Agenten Umgebungen wahrnehmen und darin handeln.)
• Argumentation, Planung und Suche (Problemlösung durch Suche, Graphdurchquerung, Erfüllung von Einschränkungen, probabilistisches Denken und Planungsmethoden einschließlich Vorwärts-, Regressions- und Teilordnungsplanung)
• Lernen und neuronale Netze (Überwachtes Lernen, Entscheidungsbäume, Regression, Überanpassung, zusammengesetzte Modelle wie Boosting, Deep-Studying-Architekturen (Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Transformers) und große Sprachmodelle.)
• Unsicherheit, Kausalität und verstärkendes Lernen (Probabilistisches Denken, Bayesianisches Lernen, unbeaufsichtigte Methoden, kausale Schlussfolgerung, Entscheidungsfindung unter Unsicherheit, sequentielle Entscheidungen und verstärkende Lernstrategien wie Q-Studying und evolutionäre Algorithmen.)

# 5. Ethische künstliche Intelligenz

Das Papier Ethische künstliche Intelligenz untersucht, wie sich zukünftige KI-Systeme auf eine Weise verhalten könnten, die wir nicht erwarten oder die schädlich sein könnte, und schlägt Wege vor, sie sicher zu gestalten. Zunächst wird darauf hingewiesen, dass KI möglicherweise weitaus komplexere Modelle der Welt lernt, als Menschen vollständig verstehen können, was Sicherheitsvorkehrungen schwierig macht. Die Autoren empfehlen die Verwendung von Hilfsfunktionen (mathematische Beschreibungen dessen, worum sich die KI kümmern sollte) anstelle vager Regeln, da sie die Ziele klarer machen. Es behandelt auch Probleme wie Selbsttäuschung, bei der die KI ihre eigenen Beobachtungen oder Belohnungen verfälschen könnte, unbeabsichtigte „Abkürzungs“-Aktionen, die uns schaden, und Korruption des Belohnungsgenerators, bei der die KI ihr eigenes Belohnungssystem manipuliert. Die Autoren schlagen Modelle vor, die menschliche Werte lernen, endliche Definitionen verwenden und Selbstmodellierung beinhalten, damit die KI über ihre eigenen Handlungen nachdenken kann. Dabei wird auch das Gesamtbild berücksichtigt, beispielsweise welche Auswirkungen KI auf die Gesellschaft, die Politik und die Zukunft der Menschheit haben könnte.

// Überblick über die Gliederung:

• Grundlagen & KI-Design (zukünftige KI vs. aktuelle KI, anleitende KI, nutzenmaximierende Agenten, Lernumgebungsmodelle, Intelligenzmaßnahmen, ethische Rahmenbedingungen)
• KI-Verhalten und Herausforderungen (Selbsttäuschung, unbeabsichtigte instrumentelle Handlungen, modellbasierte Nutzenfunktionen, Erlernen menschlicher Werte, sich entwickelnde und eingebettete Agenten)
• Testen, Governance & Gesellschaft (KI-Exams, reales Verhalten, politische Dimensionen, Transparenz, Leistungsverteilung, ethische Überlegungen)
• Philosophische und gesellschaftliche Auswirkungen (Suche nach Bedeutung, gesellschaftlichen und kulturellen Implikationen, Verknüpfung von Berechnung und menschlichen Werten)

# Zusammenfassung

Diese Bücher (sowie ein Aufsatz und ein Kurs) decken ein breites Spektrum dessen ab, was ein KI-Ingenieur braucht, von neuronalen Netzen und Deep Studying bis hin zu praktischer Codierung, agentenbasierter KI und ethischen Fragen. Sie zeigen einen klaren Weg vom Erlernen der Ideen bis zur Anwendung von KI in realen Situationen auf. Welche Themen soll ich als nächstes behandeln? Schreiben Sie Ihre Vorschläge in die Kommentare!

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Bild vom Autor

# Einführung

Ich weiß, dass viele Menschen sich eingehend mit LLMs befassen möchten, und obwohl Kurse und Artikel großartig sind, um sich ein breiteres Wissen anzueignen, muss man für ein tieferes Verständnis unbedingt auf Bücher zurückgreifen. Was mir persönlich an Büchern auch gefällt, ist ihre Struktur. Ihre Reihenfolge ist intuitiver und kohärenter als bei Kursen, die manchmal den Eindruck erwecken, dass sie überfüllt sind. Mit dieser Motivation starten wir eine neue Serie für unsere Leser, um 5 KOSTENLOSE, aber absolut lohnende Bücher für verschiedene Rollen zu empfehlen. Wenn Sie additionally ernsthaft verstehen möchten, wie große Sprachmodelle (LLMs) wirklich funktionieren, finden Sie hier meine Empfehlungen 5 KOSTENLOSE Bücher mit dem du beginnen solltest.

# 1. Grundlagen großer Sprachmodelle

Veröffentlicht Anfang 2025, Grundlagen großer Sprachmodelle ist eines der am besten strukturierten und konzeptionell klarsten Bücher, das für jeden geschrieben wurde, der tatsächlich verstehen möchte, wie LLMs aufgebaut, trainiert und ausgerichtet werden. Die Autoren (Tong Xiao und Jingbo Zhu) sind beide bekannte Persönlichkeiten in der Verarbeitung natürlicher Sprache (NLP). Anstatt jede neue Architektur oder jeden neuen Pattern im Eiltempo durchzugehen, erläutern sie sorgfältig die Kernmechanismen moderner Modelle wie GPT, BERT und LLaMA.

Das Buch betont grundlegendes Denken: Was Pre-Coaching eigentlich bedeutet, wie generative Modelle intern funktionieren, warum Aufforderungsstrategien wichtig sind und was „Ausrichtung“ wirklich bedeutet, wenn Menschen versuchen, das Maschinenverhalten zu verfeinern. Ich denke, es ist eine durchdachte Steadiness zwischen Theorie und Umsetzung, die sowohl für Studenten als auch für Praktiker gedacht ist, die vor Beginn des Experiments eine solide konzeptionelle Grundlage aufbauen möchten.

// Überblick über die Gliederung

1. Vortraining (Überblick, verschiedene Paradigmen, Bert, praktische Aspekte der Anpassung und Anwendung vorab trainierter Modelle usw.)
2. Generative Modelle (Decoder-only-Transformatoren, Datenaufbereitung, verteiltes Coaching, Skalierungsgesetze, Speicheroptimierung, Effizienzstrategien usw.)
3. Eingabeaufforderung (Grundsätze eines guten Eingabeaufforderungsdesigns, fortgeschrittene Eingabeaufforderungsmethoden, Techniken zur Optimierung von Eingabeaufforderungen)
4. Ausrichtung (LLM-Ausrichtung und RLHF, Anweisungsoptimierung, Belohnungsmodellierung, Präferenzoptimierung)
5. Inferenz (Anleitung zu Dekodierungsalgorithmen, Bewertungsmetriken, effiziente Inferenzmethoden)

# 2. Sprach- und Sprachverarbeitung

Wenn Sie NLP und LLMs tiefgreifend verstehen möchten, Sprach- und Sprachverarbeitung von Daniel Jurafsky und James H. Martin ist eine der besten Quellen. Der Entwurf der 3. Auflage (Veröffentlichung vom 24. August 2025) wurde vollständig aktualisiert, um modernes NLP abzudecken, einschließlich Transformers, LLMs, automatischer Spracherkennung (Whisper) und Textual content-to-Speech-Systemen (EnCodec & VALL-E). Jurafsky und Martin sind führend in der Computerlinguistik und ihr Buch wird an Spitzenuniversitäten häufig verwendet.

Es bietet einen klaren, strukturierten Ansatz von den Grundlagen wie Token und Einbettungen bis hin zu fortgeschrittenen Themen wie LLM-Schulung, Ausrichtung und Konversationsstruktur. Der PDF-Entwurf ist frei verfügbar und somit sowohl praktisch als auch zugänglich.

// Überblick über die Gliederung

• Band I: Große Sprachmodelle
  • Kapitel 1–2: Einführung, Wörter, Token und Unicode-Handhabung
  • Kapitel 3–5: N-Gramm-LMs, logistische Regression zur Textklassifizierung und Vektoreinbettungen
  • Kapitel 6–8: Neuronale Netze, LLMs und Transformatoren – einschließlich Sampling- und Trainingstechniken
  • Kapitel 9–12: Optimierung nach dem Coaching, maskierte Sprachmodelle, IR & RAG und maschinelle Übersetzung
  • Kapitel 13: RNNs und LSTMs (optionale Reihenfolge für Lernsequenzmodelle)
  • Kapitel 14–16: Phonetik, Sprachmerkmalsextraktion, automatische Spracherkennung (Whisper) und Textual content-to-Speech (EnCodec & VALL-E)
• Band II: Kommentieren der sprachlichen Struktur
  • Kapitel 17–25: Sequenzkennzeichnung, POS & NER, CFGs, Abhängigkeitsanalyse, Informationsextraktion, semantische Rollenkennzeichnung, Lexika, Koreferenzauflösung, Diskurskohärenz und Konversationsstruktur

# 3. So skalieren Sie Ihr Modell: Eine Systemansicht von LLMs auf TPUs

Das Coaching von LLMs kann schwierig sein, da die Zahl riesig ist, die {Hardware} komplex ist und es schwierig ist, zu erkennen, wo die Engpässe liegen. So skalieren Sie Ihr Modell: Eine Systemansicht von LLMs auf TPUs verfolgt einen sehr praktischen, systemorientierten Ansatz, um die Leistungsseite von LLMs zu erklären, beispielsweise wie Tensor Processing Items (TPUs) (und GPUs) unter der Haube funktionieren, wie diese Geräte kommunizieren und wie LLMs tatsächlich auf echter {Hardware} laufen. Es behandelt auch Parallelitätsstrategien sowohl für das Coaching als auch für die Inferenz, um Modelle in großen Größen effizient zu skalieren.

Diese Ressource zeichnet sich dadurch aus, dass die Autoren selbst bei Google an produktionstauglichen LLM-Systemen gearbeitet haben und daher ihre Erkenntnisse weitergeben.

// Überblick über die Gliederung

• Teil 0: Rooflines (Hardwareeinschränkungen verstehen: Flops, Speicherbandbreite, Speicher)
• Teil 1: TPUs (wie TPUs für Multi-Chip-Coaching zusammenarbeiten und sich vernetzen)
• Teil 2: Sharding (Matrixmultiplikation, TPU-Kommunikationskosten)
• Teil 3: Transformer-Mathematik (Berechnung von Flops, Bytes und anderen kritischen Metriken)
• Teil 4: Schulung (Parallelitätsstrategien: Datenparallelität, Totally-Sharded-Information-Parallelität (FSDP), Tensor-Parallelität, Pipeline-Parallelität)
• Teil 5: Coaching von LLaMA (praktische Beispiele für das Coaching von Lama 3 auf TPU v5p; Überlegungen zu Kosten, Sharding und Größe)
• Teil 6: Inferenz (Latenzüberlegungen, effiziente Abtastung und Beschleunigernutzung)
• Teil 7: Bereitstellung von LLaMA (Bereitstellung von Lama 3-70b-Modellen auf TPU v5e; KV-Caches, Batchgrößen, Sharding und Produktionslatenzschätzungen)
• Teil 8: Profiling (praktische Optimierung mit XLA-Compiler und Profiling-Instruments)
• Teil 9: JAX (TPUs effizient programmieren mit JAX)

# 4. Große Sprachmodelle verstehen: Auf dem Weg zu einer strengen und gezielten Interpretierbarkeit mithilfe von Sondierungsklassifikatoren und Selbstrationalisierung

Große Sprachmodelle verstehen: Auf dem Weg zu einer strengen und gezielten Interpretierbarkeit mithilfe von Sondierungsklassifikatoren und Selbstrationalisierung ist kein typisches Lehrbuch. Es handelt sich um eine Doktorarbeit von Jenny Kunz von der Universität Linköping, die jedoch einen so einzigartigen Aspekt von LLMs abdeckt, dass sie einen Platz in dieser Liste verdient. Sie erforscht, wie große Sprachmodelle funktionieren und wie wir sie besser verstehen können.

LLMs schneiden bei vielen Aufgaben sehr intestine ab, es ist jedoch nicht klar, wie sie ihre Vorhersagen treffen. Diese Arbeit untersucht zwei Möglichkeiten, diese Modelle zu verstehen: die Betrachtung der internen Schichten mithilfe von Sondierungsklassifikatoren und die Untersuchung der Erklärungen, die Modelle für ihre Vorhersagen generieren. Sie untersucht auch Modelle, die mit ihren Vorhersagen Freitexterklärungen generieren, und untersucht, welche Eigenschaften dieser Erklärungen tatsächlich nachgelagerte Aufgaben unterstützen und welche mit der menschlichen Instinct übereinstimmen. Diese Arbeit ist nützlich für Forscher und Ingenieure, die an der Schaffung transparenterer und verantwortungsvollerer KI-Systeme interessiert sind.

// Überblick über die Gliederung

1. LLM-Schichten mit Sondierungsklassifikatoren verstehen (Analyse der in jeder Schicht des Modells gespeicherten Informationen, Überprüfung der Einschränkungen vorhandener Sondierungsmethoden, Erstellung strengerer Sondierungstests unter Verwendung von Datenänderungen, Entwicklung neuer Methoden zur Messung von Unterschieden im Wissen der Schichten)
2. Erklären von Vorhersagen mit selbstrationalisierenden Modellen (Generieren von Texterklärungen zusammen mit Modellvorhersagen, Vergleichen von Erklärungen mit menschlichen Bewertungen und der Aufgabenleistung, Untersuchen, welche Eigenschaften Erklärungen für Aufgaben nützlich und leicht verständlich machen, Kommentieren von Erklärungen für menschenähnliche Merkmale und deren Auswirkungen auf verschiedene Benutzer)

# 5. Große Sprachmodelle in der Cybersicherheit: Bedrohungen, Gefährdung und Schadensbegrenzung

LLMs sind sehr leistungsstark, können aber auch Risiken mit sich bringen, etwa die Preisgabe privater Informationen, die Unterstützung bei Phishing-Angriffen oder die Einführung von Code-Schwachstellen. Große Sprachmodelle in der Cybersicherheit: Bedrohungen, Gefährdung und Schadensbegrenzung erklärt diese Risiken und zeigt Wege auf, sie zu reduzieren. Es behandelt reale Beispiele, darunter Social Engineering, die Überwachung der LLM-Einführung und die Einrichtung sicherer LLM-Systeme.

Diese Ressource ist einzigartig, da sie sich auf LLMs im Bereich Cybersicherheit konzentriert, ein Thema, das in den meisten LLM-Büchern nicht behandelt wird. Es ist sehr nützlich für alle, die sowohl die Gefahren als auch die Schutzmaßnahmen im Zusammenhang mit LLMs verstehen möchten.

// Überblick über die Gliederung

• Teil I: Einführung (Funktionsweise und Einsatz von LLMs, Grenzen von LLMs und Bewertung ihrer Aufgaben)
• Teil II: LLMs in der Cybersicherheit (Risiken des Verlusts privater Informationen, Phishing- und Social-Engineering-Angriffe, Schwachstellen durch Codevorschläge, LLM-gestützte Einflussoperationen und Webindizierung)
• Teil III: Verfolgung und Prognose der Exposition (Developments bei der Einführung von LLM und Risiken, Investitions- und Versicherungsaspekte, Urheberrecht und rechtliche Fragen, Überwachung neuer Forschungsergebnisse zu LLMs)
• Teil IV: Schadensbegrenzung (Sicherheitserziehung und -bewusstsein, Schulungsmethoden zum Schutz der Privatsphäre, Abwehrmaßnahmen gegen Angriffe und gegnerische Nutzung, LLM-Detektoren, Purple Teaming und Sicherheitsstandards)
• Teil V: Schlussfolgerung (die doppelte Rolle von LLMs bei der Verursachung von Bedrohungen und der Bereitstellung von Abwehrmaßnahmen, Empfehlungen für den sicheren Einsatz von LLMs)

# Zusammenfassung

Alle fünf dieser Bücher nähern sich LLMs aus sehr unterschiedlichen Blickwinkeln: Theorie, Linguistik, Systeme, Interpretierbarkeit und Sicherheit. Zusammengenommen bilden sie einen vollständigen Lernpfad für jeden, der sich ernsthaft mit dem Erlernen großer Sprachmodelle beschäftigt. Wenn Ihnen dieser Artikel gefallen hat, teilen Sie mir im Kommentarbereich unten mit, welche Themen Sie weiter vertiefen möchten.

Kanwal Mehreen ist ein Ingenieur für maschinelles Lernen und ein technischer Redakteur mit einer großen Leidenschaft für Datenwissenschaft und die Schnittstelle zwischen KI und Medizin. Sie ist Mitautorin des E-Books „Maximizing Productiveness with ChatGPT“. Als Google Era Scholar 2022 für APAC setzt sie sich für Vielfalt und akademische Exzellenz ein. Sie ist außerdem als Teradata Range in Tech Scholar, Mitacs Globalink Analysis Scholar und Harvard WeCode Scholar anerkannt. Kanwal ist ein leidenschaftlicher Verfechter von Veränderungen und hat FEMCodes gegründet, um Frauen in MINT-Bereichen zu stärken.

Selbst mit einem persönlichen Assistenten in jeder Hand gibt es heute einen Informationen, der den Wert nicht verloren hat. Bücher! Bitten Sie jemanden, den es sich lohnt, einen Experten auf seinem Gebiet oder jemanden, der es im Allgemeinen im Leben groß gemacht hat, und er wird Ihnen sagen, dass Bücher immer noch das wertvollste Informationsformat sind. „Lesen Sie Bücher“, wird dann weniger ein generischer Rat und eher ein Prinzip für den Erfolg. Für unsere Ai-begeisterten Freunde ist dies gleichermaßen wahr. Um Ihnen allen zu helfen, haben wir hier eine Liste kostenloser Bücher über KI (künstliche Intelligenz) zusammengestellt, die Sie aus dem Web steigen und sofort mit dem Lesen beginnen können.

Ohne weiteres finden Sie hier Ihre Liste der besten kostenlosen eBooks auf KI, die von kürzesten bis längsten sortiert sind.

Hinweis: Sie können auch unseren Artikel über lesen Prime 6 Bücher auf Lappen hier.

1. Der Anfängerleitfaden zur KI für künstliche Intelligenz AI

Autor: Frank Dartey Amankonah
Länge: 58 Seiten

Genau wie der Titel erwähnt, soll dieses E-E-book von Amankonah jedem Anfänger helfen, ein praktisches Erlebnis mit KI und seinen Anwendungen über Felder hinweg zu sammeln. Amankonah erklärt zwar zahlreiche Konzepte, die im KI-Bereich versteckt sind, und untersucht das Potenzial der New-Age-Technologie, die Welt zu verändern, wie wir sie sehen. Parallel dazu warnt er auch vor dem potenziellen Nachteil davon und der dringend müssen wachsam bleiben, um KI zu nutzen und wie sehr wir in der heutigen Welt dem vertrauen.

Wie man liest: Sie können Free-ebooks.web besuchen, um das kostenlose eBook zu lesen oder einfach klicken Sie hier. Beachten Sie, dass Sie mit der Plattform 1 kostenlose eBook professional Monat lesen können. Wählen Sie additionally mit Bedacht aus, falls Sie nicht beabsichtigen, ein Abonnement zu erhalten.

Die wichtigsten Themen gehörten:

• Einführung in die künstliche Intelligenz
• Arten künstlicher Intelligenz
• Anwendungen von AI
• Maschinelles Lernen
• Tiefes Lernen
• Ethik in künstlicher Intelligenz
• Zukunft der künstlichen Intelligenz

2. Einführung in die künstliche Intelligenz von Marc Toussaint

Autor: Dr. Marc Toussaint
Länge: 248 Seiten

Ein weiteres Muss für diejenigen, die versuchen, KI von Grund auf neu zu lernen. Die Arbeit von Dr. Toussaint deckt sowohl grundlegende als auch fortschrittliche KI -Konzepte im Element ab. Technische Konzepte wie Forschungsdesign, Wahrscheinlichkeitstheorie und das Drawback mit mehreren bewaffneten Räubern werden in einem leicht zu freazialen Format intestine erfasst, das sich perfekt zum Verständnis von Entscheidungsprozessen und anderen komplexen KI-Strukturen eignet.

Das Buch ist eine neu formatierte Model aller Vorlesungsfolien und Übungen des Künstlungs -Intelligenzkurs an der Universität von Stuttgart. Wenn Sie additionally durchlesen, werden Sie sofort verstehen, dass das gesamte eBook mit einem Zweck stammt – um KI -Konzepte zu lehren. Perfect für diejenigen, die mehr darüber verstehen möchten.

Wie man liest: Du kannst Lesen Sie hier das kostenlose Buch über KI.

Die wichtigsten Themen gehörten:

• Suche und Problemlösung
• Wahrscheinlichkeiten und Unsicherheit
• Entscheidungsfindung und Planung
• Verstärkungslernen
• Grafische und dynamische Modelle
• Logik- und Wissensdarstellung
• Maschinelles Lernen und neuronale Netze
• Erklärbare AI

3.. Künstliche Intelligenz verstehen

Autor: Henry Charles Mishkoff
Länge: 258 Seiten

Dieses Buch ist ein Kultklassiker in der Welt der künstlichen Intelligenz und ist ein erfrischender Schritt zurück von der Explosion von KI, die wir heute überall sehen. Stattdessen versucht es, die Kernprinzipien der KI zu verstehen, indem Sie die intuitivsten Fragen stellen. Was ist künstliche Intelligenz? Kann es die menschliche Intelligenz wirklich imitieren oder sogar übertreffen? Wie funktioniert es und wohin führt es uns? sind nur einige der Erkenntnisse, die in diesem Buch geteilt werden.

Das Beste an diesem Buch ist, dass Mishkoff hier Konzepte mit KI-Experten wie Edward A. Feigenbaum und Bruce G. Buchanan auf völlig nichttechnische, jargonfreie Weise teilt. Dies macht das Buch sofort perfect und für die Mehrheit des Publikums zugegeben. Sei es ein neugieriger Leser, ein Scholar oder ein Fachmann, der seine Karriere fördern möchte, dieses Buch dient allen.

Wie man liest: Du kannst Lesen Sie hier das kostenlose eBook. Beachten Sie, Sie müssen sich anmelden/ anmelden, um das Buch zu lesen.

Die wichtigsten Themen gehörten:

• Was ist künstliche Intelligenz?
• Die Geschichte der künstlichen Intelligenz
• Expertensysteme
• Verarbeitung natürlicher Sprache
• Menschliche Fähigkeiten verstärken
• Andere Anwendungen für künstliche Intelligenz
• Symbolische Verarbeitung
• Experten -Systementwicklungswerkzeuge
• Lisp -Maschinen
• Fortsetzung der Bemühungen künstlicher Intelligenz

4. Crashkurs in künstlichen Intelligenz und Expertensystemen

Autor: Louis E. Frenzel
Seiten: 358

Unter vielen KI -Büchern, die jemals geschrieben wurden, fällt diese von Frenzel aus seinen eigenen guten Gründen auf. Während die meisten anderen für Schüler des Feldes sind und das Lernen und Vorlesungen im Klassenzimmer ergänzen sollen, sind andere viel zu verblüfft und überspringen wichtige Nuancen zu diesem Thema. Frenzels Arbeit stach im Laufe der Jahrzehnte als Klassiker heraus, nur weil sie nur den Candy Spot in der Mitte erreicht hatten.

In einem stark strukturierten Format führt das Buch Sie durch einen Überblick über die KI und seine einzigartigen Computertechniken. Dazu gehören Suchmethoden und Wissensrepräsentationsschemata. Sobald die Grundlagen klar sind, befasst es sich tief in mehr technische Dinge wie Expertensysteme, Verarbeitung natürlicher Sprache und vieles mehr. Dies ist ein Muss für alle, die sowohl eine Oberflächenebene als auch ein tieferes Verständnis der KI und ihrer Arbeiten haben möchten.

Wie man liest: Lesen Sie hier das vollständige Buch über KI kostenlos. Anmelden/ Anmelden erforderlich.

Die wichtigsten Themen gehörten:

• Laptop nützlicher machen, indem sie sie schlauer machen
• Wissensdarstellung
• Ein Ansatz zur Problemlösung
• Einführung in Expertensysteme
• Entwicklung eines Expertensystems
• Verarbeitung natürlicher Sprache und Spracherkennung
• Laptop Imaginative and prescient
• Robotik und KI
• KI -Programmierung in Lisp
• Prolog und andere KI -Sprachen
• KI -{Hardware} und die Zukunft von KI

5. Programmierung künstlicher Intelligenz mit Python

Autor: Perry Xiao
Länge: 720 Seiten

Der einzige Grund, warum dieses Buch so weit unten aufgeführt ist, ist die Tatsache, dass Sie nur 10 Tage lang kostenlos darauf zugreifen können. Diese hoch verehrte Arbeit des erfahrenen Pädagogen und Photophysiker Dr. Perry Xiao ist eine „praktische Roadmap für die Verwendung von Python für künstliche Intelligenzprogramme“. In einer sehr praktischen (mit Code) und einfach zu ergreifenden Artwork und Weise lehrt das Buch Sie die Grundlagen von AI von Grund auf neu.

Xiaos Buch deckt im Grunde drei wichtige Teile der Welt der KI ab. Dies sind – künstliche Intelligenz insgesamt, maschinelles Lernen und tiefes Lernen. Weitere technische Konzepte, die in MATLAB, Python, beaufsichtigtes und unbeaufsichtigtes maschinelles Lernen, Python „Cheat Sheet“ und vieles mehr gehören. Wenn Sie durch Python KI lernen möchten, sollten Sie dies frühestens lesen.

Wie man liest: Sie können sich anmelden und Lesen Sie hier das KI -Buch kostenlosaber nur für eine begrenzte Zeit von 10 Tagen.

Die wichtigsten Themen gehörten:

• Einführung in AI
• KI -Entwicklungstools
• Maschinelles Lernen
• Tiefes Lernen
• Bildklassifizierung
• Gesichtserkennung und Gesichtserkennung
• Objekterkennung und Bildsegmentierung
• Erkennung von Posen
• Switch
• Verarbeitung natürlicher Sprache
• Datenanalyse
• Erweitertes AI -Computing

Abschluss

Diese kostenlosen KI -Bücher werden für jeden immense helfen, der versucht, diese transformative Technologie zu verstehen. Egal, ob ein Anfänger oder ein erfahrener Profi, jeder Titel bietet einzigartige Einblicke und praktische Kenntnisse. Lesen Sie diese und führen Sie diese eine Reise in die Welt der künstlichen Intelligenz auf bestmögliche Weise.

Häufig gestellte Fragen

Einführung

Sich zurechtfinden im komplexen Bereich der Zeitreihenanalyse könnte mit der Entdeckung einer in Daten verborgenen Goldmine an Informationen verglichen werden. Für jeden, der mehr über dieses faszinierende Thema erfahren möchte, beginnt die Reise häufig mit den richtigen Reiseführern. Die Bücher, die Sie auswählen, können Ihren Wissensstand in der Zeitreihenprognose und -analyse erheblich beeinflussen, unabhängig von Ihrem Erfahrungsniveau. Die hier enthaltenen Bücher behandeln verschiedene Themen, von grundlegenden Konzepten bis hin zu fortgeschrittenen Methoden des maschinellen Lernens, und bieten die notwendigen Informationen und Werkzeuge für den Erfolg in diesem Bereich. Jedes Buch bietet unterschiedliche Sichtweisen und wertvolle Strategien, sodass für jeden Schüler etwas Wertvolles dabei ist.

Warum sollte man Bücher zur Zeitreihenanalyse lesen?

Bücher zur Zeitreihenanalyse bieten wertvolle Informationen und Tipps für jeden, der mit Daten im Zeitverlauf arbeitet. Bücher zur Zeitreihenanalyse sollten aus folgenden Gründen gelesen werden:

1. Grundlegendes Wissen: Bücher zur Zeitreihenanalyse vermitteln eine fundierte Grundlage der theoretischen Ideen, die zum Verständnis der Entwicklung von Daten erforderlich sind.
2. Historischer Zusammenhang: Sie behandeln häufig die Entwicklung von Methoden und Theorien und helfen den Lesern, die Entwicklung des Fachgebiets und die Gründe hinter verschiedenen Techniken zu verstehen.
3. Praktische Techniken: Sie diskutieren häufig ihre Fortschritte bei Konzepten und Strategien, was den Lesern hilft, die Entwicklung des jeweiligen Fachgebiets und die Gründe für verschiedene Methoden zu verstehen.
4. Praktische Methoden: Diese Veröffentlichungen bieten praxisnahe Methoden und Instrumente zur Anwendung auf Daten, wie z. B. Zustandsraum, exponentielle Glättung und ARIMA-Modelle.
5. Analytische Fähigkeiten: Diese Bücher verbessern die analytischen Fähigkeiten und ermöglichen es dem Benutzer, auf der Grundlage der in den Daten angezeigten Developments und Muster bessere Entscheidungen zu treffen.
6. Probleme lösen: Sie tragen auch zur Entwicklung von Problemlösungskompetenzen bei, da Sie darin geschult werden, Muster, Developments und Anomalien in Zeitreihendaten zu analysieren.
7. Modernste Methoden: Einige Bücher behandeln aktuelle Praktiken wie maschinelles Lernen und tiefes Lernen Verfahren, die für jede Praxis unerlässlich sind.
8. Softwareimplementierung: Sie enthalten oft Anleitungen zur Implementierung von Methoden mit gängigen Softwaretools wie R Und Pythonund vermittelt praktische Programmiererfahrung.
9. Informierte Prognosen: Sie befähigen Sie dazu, präzise Prognosen für die strategische Planung und Entscheidungsfindung in verschiedenen Berufsfeldern zu treffen.

Prime 10 Bücher zur Zeitreihenanalyse

1. Prognosen: Grundsätze und Praxis

Autoren: Rob J. Hyndman und George Athanasopoulos

Erscheinungsjahr: 2013

Dieses Buch beschäftigt sich mit Prognosen und Instruments zur Vorhersage zukünftiger Datenpunkte. Es reicht von grundlegenden Konzepten bis hin zu fortgeschritteneren Methoden, einschließlich exponentieller Glättung und ARIMA-Modellen. Dieses Buch zeichnet sich durch seine einfache Sprache und seinen fokussierten Ansatz aus und ist daher sowohl für Anfänger als auch für erfahrene Analysten geeignet.

Zugriff auf das Buch Hier.

2. Zeitreihenanalyse: Neue Erkenntnisse

Autor: Rifaat M. Abdalla

Erscheinungsjahr: 2023

Dieses Buch bietet neue Einblicke in die Zeitreihenanalyse. Es untersucht aktuelle Entwicklungen und fortschrittliche Techniken zur Analyse zeitabhängiger Daten. Das Buch richtet sich an Forscher, Praktiker und Studenten, die ihr Verständnis der Zeitreihenanalyse vertiefen möchten.

Klicken Hier um auf dieses Buch zuzugreifen.

3. Praktische Zeitreihenprognose mit R: Ein praxisorientierter Leitfaden (dritte Ausgabe)

Autor: Galit Schmueli

Erscheinungsjahr: 2016

Dieser praktische Leitfaden soll Benutzer in die Zeitreihenprognose mit R einweisen und bietet verschiedene Methoden und Beispiele aus der Praxis für die praktische Anwendung der Datenanalyse. Das Buch richtet sich an Fachleute, Lernende und Akademiker, die Daten vorhersagen müssen, die sich im Laufe der Zeit ändern.

Zugriff auf das Buch Hier.

4. Maschinelles Lernen für Zeitreihen mit Python: Prognosen, Vorhersagen und Erkennen von Anomalien mit modernsten Methoden des maschinellen Lernens

Autor: Ben Auffarth

Erscheinungsjahr: 2021

Auffarths Buch ist eine der zeitgenössischen Ansichten zur Zeitreihenanalyse. Es konzentriert sich hauptsächlich auf Techniken des maschinellen Lernens. Es diskutiert verschiedene Methoden, wie zum Beispiel Neuronale Netze Und Ensemble-Modelleund zeigt, wie diese mit Python implementiert werden. Daher ist dieses Buch perfekt für Datenwissenschaftler, die fortgeschrittene Algorithmen für maschinelles Lernen zu Zeitreihendaten.

Klicken Hier um auf dieses Buch zuzugreifen.

5. Wiederholungsintervallanalyse von Finanzzeitreihen

Autor: Wei-Xing Zhou, Zhi-Qiang Jiang, Wen-Jie Xie

Erscheinungsjahr: 2024

Dieses Buch befasst sich mit der Analyse von Finanzzeitreihen mithilfe von Wiederholungsintervallmethoden. Es unterstreicht die Bedeutung des Verständnisses der Lücken zwischen Finanzereignissen und deren Potenzial zur Vorhersage von Markttrends. Das Buch richtet sich an Finanzanalysten, Ökonomen und Forscher, die sich für fortgeschrittene Zeitreihenanalysetechniken interessieren.

Zugriff auf das Buch Hier.

6. Zeitreihenanalyse: Prognose und Kontrolle

Autoren: George EP Field, Gwilym M. Jenkins, Gregory C. Reinsel und Greta M. Ljung

Erscheinungsjahr: 2015

Dieses Buch mit dem Titel „Field-Jenkins“ ist eine der umfassendsten Quellen zur Zeitreihenanalyse und -prognose. Es stellt ARIMA-Modelle vor und betont die Modellidentifikation, -schätzung und -diagnoseprüfung. Die neueste Ausgabe enthält moderne Ansätze und Softwareanwendungen.

Klicken Hier um auf dieses Buch zuzugreifen.

7. Angewandte Zeitreihenanalyse

Autor: Terence C. Mills

Erscheinungsjahr: 2019

Mills‘ Buch ist ein Leitfaden, der die Lücke zwischen theoretischen Konzepten und praktischen Anwendungen in der Zeitreihenanalyse schließt. Es behandelt verschiedene Modellierungstechniken wie lineare, nichtlineare und Volatilitätsmodelle. Das Buch richtet sich genau an praktizierende und postgraduierte Studenten, die Zeitreihenmethoden in realen Szenarien anwenden möchten.

Zugriff auf das Buch Hier.

8. Praktische Zeitreihenanalyse: Vorhersage mit Statistik und maschinellem Lernen

Autor: Aileen Nielsen

Erscheinungsjahr: 2019

Dieses Buch bietet einen praktischen Ansatz und konzentriert sich auf statistische und maschinelle Lernmethoden für die Zeitreihenanalyse. Das Buch behandelt traditionelle Techniken und fortgeschrittene Modelle des maschinellen Lernens, einschließlich Deep Studying für die Zeitreihenprognose. Dank der verwendeten praktischen Beispiele und Codeausschnitte ist es ein hervorragendes Nachschlagewerk für Datenwissenschaftler.

Klicken Hier um auf dieses Buch zuzugreifen.

9. Zeitreihenanalyse und Prognose mit Python meistern

Autor: Sulekha AloorRavi

Erscheinungsjahr: 2024

Dieses Buch untersucht ausführlich die Zeitreihenanalyse und -vorhersage mit Python. Es untersucht eine Reihe statistischer Modelle und Methoden des maschinellen Lernens zur Analyse zeitbasierter Daten und zur Erstellung präziser Prognosen. Das Buch richtet sich sowohl an Anfänger als auch an erfahrene Praktiker der Zeitreihenanalyse.

Zugriff auf das Buch Hier.

10. Multivariate Zeitreihenanalyse: Mit R und Finanzanwendungen

Autor: Ruey S. Tsay

Erscheinungsjahr: 2014

Tsays Buch konzentriert sich auf Multivariable Zeitreihenanalyseuntersucht die Beziehungen zwischen mehreren zeitabhängigen Variablen. Es behandelt praktische Anwendungen im Finanzwesen und verwendet in großem Umfang die Programmiersprache R. Das Buch ist splendid für diejenigen, die Zeitreihenmethoden auf Finanzdaten anwenden.

Klicken Hier um auf dieses Buch zuzugreifen.

Abschluss

Das Lesen dieser umfangreichen und ausführlichen Leitfäden zu SDA kann Ihre Einstellung zur Prognose und zur Betrachtung der Ergebnisse ändern. Eine große Themenvielfalt wird dargestellt, angefangen bei grundlegenden ARIMA-Modellen bis hin zu modernsten maschinellen Lernansätzen. So wird garantiert, dass der Leser unabhängig von seinem Kenntnisstand ausreichend Informationen findet. Im Gegensatz zu anderen Büchern, die viele Theorien anbieten, die in der Praxis kaum anwendbar sind, zerlegen diese Bücher komplizierte Ideen und liefern Beispiele aus der Praxis, die Sie in Ihrer Arbeit verwenden können. Wenn Sie sich mit diesen professionell erstellten Ressourcen befassen, sind Sie auf jedes Zeitreihenproblem intestine vorbereitet und treffen eine kluge Entscheidung, die durch solide analytische Ergebnisse gestützt wird.