Wie Maschinen lernen: Künstliche Intelligenz verständlich erklärt Hrsg.: Kristian Kersting, Christoph Lampert, Constantin Rothkopf Springer, 2019, ISBN 978-3-658-26763-6
Dieses Buch entführt einen in 30 kurzen Kapiteln in alle Bereiche der künstlichen Intelligenz. Es ist hervorragend für den ersten Kontakt zum Thema KI geeignet. In den meisten Kapiteln erkundet eine junge Studentin Methoden der KI durch Alltagsanwendungen. Das Buch schafft es, technische Ideen anschaulich und praktisch zu erklären, dabei jedoch ebenso die mathematischen Hintergründe zu umreißen. Einige der Kapitel wurden von Team-Mitgliedern von "KI macht Schule" geschrieben. Weitere Infos zum Buch.
Der Creativity-Code: Wie künstliche Intelligenz schreibt, malt und denkt Marcus du Sautoy C.H.Beck, 2021, ISBN 978-3-406-76579-7
"Werden Computer schon bald Musik komponieren, Bücher schreiben, Bilder malen und mathematische Sätze beweisen? Und wenn ja, werden wir den Unterschied zu von Menschen gemachten Werken überhaupt bemerken?" Dieses Buch, geschrieben vom Mathematikprofessor und Inhaber des Oxforder Lehrstuhls für Wissenschaftsvermittlung, beleuchtet neben allgemeiner KI insbesondere ihre Auswirkungen auf kreative Felder wie Kunst und Musik.
Einführungswerke
Neuronale Netze selbst programmieren Tariq Rashid O'Reilly, 2017, ISBN 978-3-96009-043-4
Dieses Buch bietet eine enorm einfache und sehr visuelle Einführung in die Programmierung Neuronaler Netze (wenig Mathematik, dafür viele Bilder und Code-Beispiele in Python). Schritt für Schritt wird ein Neuronales Netz in Python programmiert und schließlich erhält man einen MNIST-Classifier. Durchaus ist denkbar, dass man mit einer AG das Buch innerhalb eines (Schul-)Jahres durcharbeiten kann.
Der Name ist Programm. Das Buch bietet eine relativ einfache Einführung, die aber ein wenig tiefer geht als "Neuronale Netze selbst programmieren". Hier kommen schon ein paar Formeln (+ Code-Beispiele) vor und die Machine-Learning-Algorithmen sind auch ein wenig komplexer.
Make Your Own Neural Network: A Visual Introduction For Beginners Michael Taylor Blue Windmill Media, 2017, ISBN 978-1549869136
Dieses Buch bietet viele Bilder und ist eher auf Intuition als auf die Mathematik im Hintergrund angelegt. Formeln werden als "Bilder" eingeführt und mit Pfeilen und Farben Stück für Stück "auseinandergenommen".
Machine Learning for kids: A Project-Based Introduction to Artificial Intelligence Dale Lane No Starch Press, 2021, ISBN 9781718500563
Das Buch bietet einen praktischen Einstieg in KI-Anwendungen im Alltag. Es enthält kleinschrittige und verständliche Anleitungen für diverse spannende Machine-Learning-Projekte. Der Ansatz des Buches mit Scratch-Grundlagen kann gut ab der 9. Klasse angewandt werden.
Nachschlagewerke / Tiefergehendes Material
An Introduction to Statistical Learning: with Applications to R Gareth James, Daniela Witten, Trevor Hastie, Robert Tibshirani Springer Texts in Statistics, Springer, 2013, ISBN 978-1-4614-7137-0
Eine kostenlose digitale Version des Buches ist hier verfügbar (weitere Infos). Dieses Buch bietet einen relativ guten Einstieg in die Methoden des Maschinellen Lernens. Solides Mathematikwissen ist hier allerdings erforderlich. Das Buch ist als Nachschlagewerk geeignet und enthält einfache Code-Beispiele in der Programmiersprache R.
Pattern Recognition and Machine Learning Christopher M. Bishop Springer, 2006, ISBN 978-1-4939-3843-8
Dieses Buch ist eher technisch, eignet sich aber bestens als Nachschlagewerk. Es ist gut geeignet für alle, die sich tiefer mit der Materie auseinandersetzen wollen und keine Angst vor Mathematik haben :)
Optimization for Machine Learning Hrsg.: Suvrit Sra, Sebastian Nowozin, Stephen J. Wright Massachusetts Institute of Technology, 2012, ISBN 978-0-262-01646-9
Eine kostenlose digitale Version des Buches ist hier verfügbar. Das Buch behandelt sehr tiefgehend die Optimierung hinter Algorithmen des Machine Learnings. Von First- über Second-Order-Methoden, bis zu Augmentierter Lagrange und Covariance-Selection ist alles dabei. Jedes Kapitel besteht aus einem wissenschaftlichen Paper und man kann sie daher unabhängig voneinander lesen.
Mathematische Grundlagen der Künstlichen Intelligenz im Schulunterricht Sarah Schönbrodt, Thomas Camminady, Martin Frank Mathematische Semesterberichte, Springer, 2021
Dieser Artikel ist kostenlos hier verfügbar. "In diesem Beitrag wird diskutiert, wie ein zeitgemäßer Mathematikunterricht durch die Modellierung realer, schülernaher Probleme aus dem Bereich KI bereichert werden kann. Dazu werden zwei Methoden und deren didaktische Reduktion für den Einsatz in einem computergestützten Mathematikunterricht vorgestellt."
Alle von KI macht Schule bereitgestellten Inhalte (ausgenommen Inhalte, die über externe Links erreichbar sind), sind unter einer CC BY-NC-ND 4.0 Lizenz verfügbar. Das bedeutet, dass die Inhalte für persönliche und nicht-kommerzielle Zwecke verwendet werden dürfen. Die Inhalte dürfen nicht verändert und selbst weitergegeben werden. Wenn Sie an unserem Material mitarbeiten möchten oder an der Verwendung über diese Lizenz hinaus interessiert sind, schreiben sie uns an info@ki-macht-schule.de.
Dieses Werk ist lizenziert unter einer Creative Commons Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International Lizenz. Alle Rechte bei KI macht Schule <ki-macht-schule.de>
