„Eigene KI-Anwendungen programmieren“ von Metin Karatas

Wie im Bereich anderer Technologien gilt auch für die Künstliche Intelligenz, dass Reifung des Marktes mit Demokratisierung der Technologie einhergeht. Rheinwerk stellt mit „Eigene KI-Anwendungen programmieren“ ein Lehrbuch zur Verfügung, das einen Überblick der im KI-Bereich anzutreffenden Technologien und Programmiermethoden zu geben sucht.

Tam Hanna

Autor

28.01.2026
Lesezeit: 5 Minuten
88 Views

Moderne Lehrbücher im Bereich der KI beschränken sich nur allzu oft auf Klickanleitungen für das „System du jour“. Schon die – vergleichsweise kurze, aber gelungene – Einleitung im 1. Kapitel des Buchs von Metin Karatas zeigt, dass der Text einen anderen Weg zu gehen sucht.

Die Vorstellung verschiedenster Werkzeuge – explizit sei hier die manuelle Programmierung eines neuronalen Netzwerks einbezogen – soll dem Leser die Realisierung der „optimalen“ KI-Applikation ermöglichen.

Python als Lehrsprache

Obwohl Java im Bereich der KI in der Vergangenheit Achtungserfolge landen konnte, erfolgt der Gutteil der Data-Science-Arbeit nach wie vor unter Python. Das 2. Kapitel bespricht Methoden zur Installation der Runtime. Der Fokus liegt dabei auf Windows, für Linux-User findet sich nur ein kurzer Absatz mit Verweisen auf die Dokumentation. Die Besprechung der Anaconda-Arbeitsoberfläche inklusive Workspace und Co. gelingt dem Autor vorbildlich.

Hat man eine lauffähige Arbeitsumgebung, ist es an der Zeit, erste Experimente durchzuführen. Die Klassifikation von Schwertlilien hat sich im Bereich von Machine Learning (ML) als Goldstandard etabliert – der Autor nutzt diese Klassikeraufgabe, um verschiedene Beispiele der neuronalen Spielarten der neuronalen Netzwerke zu besprechen. Die Mathematik wird mehr oder weniger vollständig gezeigt, ist zum Verständnis allerdings nicht unbedingt erforderlich. Wer wie der Rezensent mit Vorkenntnissen im Bereich Elektronik oder Elektrotechnik gesegnet ist, gewinnt beim Durchackern dieser zusätzlichen Überlegungen tiefe Einsicht, die man in ML-Lehrbüchern, die kurz nach dem Beginn des KI-Booms erschienen sind, oft schmerzlich vermissen muss.

Entscheidungsbäume sind Gegenstand des 4. Kapitels, sie werden als „kleiner Bruder“ der neuronalen Netzwerke angesehen, sind ihnen in manchen Aufgaben aber ebenbürtig oder sogar überlegen. Als Beispiel kommt eine Klassifizierung von Kadetten zum Einsatz – eine durchaus interessante Aufgabe, die die Arbeit mit dem Entscheidungsbaum in den Vordergrund rückt.

Arbeit abseits von Tabellen

Spätestens in Zeiten von Machine Vision und Co. gilt, dass tabellarische Eingangsdaten nicht den einzigen Spielfall der KI darstellen. Im 5. Kapitel geht Karatas auf die Verarbeitung von Bildern unter Nutzung der Methoden der KI ein. In den folgenden Kapiteln kommen sowohl die Modellgenerierung per Transfer Learning als auch die Anomalieerkennung zur Sprache. Der Autor behält den erprobten didaktischen Ansatz bei, sowohl Mathematik als auch die praktischen Beispiele zu verwenden – im Bereich Transfer Learning geht er auf TensorFlow, Panda und Keras ein.

NLP – der Data Scientist versteht unter Natural Language Processing das Verarbeiten natürlicher Sprache – wird anhand eines Systems vorgestellt, das textuelle Bewertungen von Restaurants in Punkte-Kriterien umwandelt. Zu guter Letzt finden sich Überlegungen zur Clusteranalyse: Ein eigentlich im Bereich Algorithmen vermutetes Thema, dem man mit verschiedensten ML-Prozessen auf die Pelle rücken kann.

Und jetzt, grafisch!

Der immense Erfolg von Systemen wie Edge Impulse zeigt, dass das Codieren für viele Anwendungsfälle eine „zu hohe Hürde“ darstellt. Grafische Entwicklungsumgebungen versuchen, den Intellekt abzuschwächen und ML-Systeme so noch weiter zu demokratisieren.

Die im Buch durchgeführten praktischen Experimente helfen dem Autor dabei, sowohl Orange als auch KNIME (Konstanz Information Miner) vorzustellen. Nach der Besprechung der Installation der jeweiligen Arbeitsumgebungen werden Workflows zusammengebaut, die die bekannten Aufgaben realisieren. Der Leser gewinnt auf diese Art und Weise einen Überblick darüber, wie sich die grafischen Technologien mit klassischer Codierung vergleichen lassen.

Lobenswert ist, dass das Kapitel zu KNIME sehr detailliert auf die „Datenaufbereitung“ eingeht – ein klassisches Problemfeld, das den Einstieg unnötig schwierig gestaltet.

Moderne Anwendungsfälle der KI

Wie im Bereich vieler anderer Wissenschaften gilt auch bei KI, dass die Verfügbar-Werbung von preiswerter Rechenleistung bisher nur theoretisch mögliche Anwendungen nun praktisch realisierbar macht.

Sowohl bei der Bildgenerierung als auch bei der Textgenerierung kommt im Buch dieselbe didaktische Vorgehensweise zum Einsatz – zuerst wird mit dem System unter Nutzung der Weboberfläche interagiert, darauf folgt eine kurze Besprechung der jeweiligen Python-Programmierschnittstelle. Hinweise zum Prompt Engineering helfen dabei, „ideale“ Ergebnisse unter Beibehaltung einer flachen Lernkurve zu erreichen.

Fazit

Der Rheinwerk Verlag versucht mit diesem Buch die „Quadratur des Kreises“. Das Lehrbuch ist einerseits für Nichtmathematiker problemlos verständlich, vermittelt andererseits allerdings ein tiefes Verständnis der diversen Methoden. Kurz gefasst, ein Lehrbuch, das in der Tradition von O’Reilly-Klassikern wie „AI for Game Development“ steht und auf jeden Fall einen Platz im Bücherregal verdient.