1 Einführung

23

1.1 Die Ausbildung im Überblick

23

1.1.1 Ablauf der Ausbildung

24

1.1.2 Die Abschlussprüfung

25

1.2 Datenanalyse und künstliche Intelligenz

26

1.2.1 Datenanalyse

26

1.2.2 Kurze Geschichte der künstlichen Intelligenz

27

1.2.3 Künstliche Intelligenz in der Praxis

29

1.2.4 Interdisziplinäre KI-Forschung

30

1.2.5 Sprachen und Tools für künstliche Intelligenz

33

2 Mathematische Grundlagen

35

2.1 Logik und Mengenlehre

35

2.1.1 Aussagen

36

2.1.2 Mathematische Aussageformen

38

2.1.3 Logische Verknüpfungen

41

2.1.4 Mengen

49

2.1.5 Folgen und Reihen

57

2.2 Lineare Algebra

60

2.2.1 Das kartesische Koordinatensystem

61

2.2.2 Vektoren

64

2.2.3 Matrizen

69

2.3 Stochastik

77

2.3.1 Grundlagen der Wahrscheinlichkeitsrechnung

77

2.3.2 Einfache Methoden der Statistik

81

2.4 Funktionen und ihre Eigenschaften

88

2.4.1 Bildungsvorschriften für Funktionen

88

2.4.2 Grundlagen der Analysis

91

2.5 Übungsaufgaben

94

3 Programmierkurs mit Python

99

3.1 Loslegen

100

3.1.1 Hallo Python!

102

3.1.2 Mit JupyterLab und Jupyter Notebooks arbeiten

103

3.2 Grundelemente von Python

110

3.2.1 Ausdrücke und Operationen

110

3.2.2 Kontrollstrukturen

139

3.2.3 Ein- und Ausgabe

148

3.3 Objektorientiertes Python

154

3.3.1 Erstes Beispiel

154

3.3.2 Methoden und Funktionen definieren

158

3.3.3 Vererbung

174

3.3.4 Ausnahmen behandeln

177

3.4 Übungsaufgaben

181

4 Mit Python-Modulen arbeiten

183

4.1 Module installieren, importieren und einsetzen

183

4.1.1 Module importieren

183

4.1.2 Eigene Python-Dateien als Module importieren

184

4.1.3 Drittanbieter-Module installieren

185

4.2 Mathematische Module

186

4.2.1 Die eingebauten Module math und cmath verwenden

186

4.2.2 Statistikfunktionen mit statistics einsetzen

189

4.2.3 NumPy verwenden

189

4.2.4 Diagramme erstellen mit Matplotlib

196

4.3 Andere wichtige Module

202

4.3.1 Kommandozeilenargumente verwenden

202

4.3.2 Verzeichnisinhalte lesen

203

4.3.3 Mit Datum und Uhrzeit arbeiten

206

4.3.4 Reguläre Ausdrücke verwenden

211

4.4 Übungsaufgaben

220

5 Algorithmen und Datenstrukturen

223

5.1 Listen durchsuchen und sortieren

224

5.1.1 Lineare Suche

225

5.1.2 Binärsuche

231

5.1.3 Listen sortieren

235

5.2 Nichtsequenzielle Datenstrukturen durchsuchen

239

5.2.1 Die Tiefensuche verwenden

239

5.2.2 Die Breitensuche verwenden

247

5.2.3 Die A*-Suche verwenden

251

5.3 Mit Graphen arbeiten

256

5.3.1 Einfache Graphen modellieren und durchwandern

257

5.3.2 Im Graphen nach Pfaden suchen

261

5.4 Bedingungserfüllungsprobleme

262

5.4.1 Den Algorithmus implementieren

263

5.4.2 Ausführliches Beispiel: ein leeres Sudoku ausfüllen

266

5.4.3 Ein vorbelegtes Sudoku lösen

268

5.5 Genetische Algorithmen

271

5.5.1 Den genetischen Algorithmus implementieren

272

5.5.2 Fallbeispiel: Das Problem des Handlungsreisenden

278

5.5.3 Game of Life

283

5.6 Übungsaufgaben

294

6 Datenquellen nutzen

297

6.1 Häufig verwendete Datenquellformate

298

6.1.1 CSV-Dateien importieren

298

6.1.2 JSON-Daten lesen

303

6.1.3 XML importieren

305

6.2 Mit Datenbanken arbeiten

314

6.2.1 Mit einer SQLite-Datenbank kommunizieren

316

6.2.2 Tabellen erstellen

316

6.2.3 Datensätze einfügen

319

6.2.4 Datensätze auslesen

319

6.2.5 Datensätze ändern und löschen

327

6.3 Daten aufbereiten und untersuchen

328

6.3.1 Textdaten aufbereiten

328

6.3.2 Bilddaten aufbereiten

337

6.3.3 Numerische Daten visualisieren

342

6.3.4 Mit pandas und Seaborn arbeiten

350

6.4 Übungsaufgaben

358

7 Machine Learning

361

7.1 Überwachtes Lernen

361

7.1.1 Lineare Regression

363

7.1.2 Logistische Regression

376

7.1.3 Weitere Verfahren im Überblick

382

7.2 Unüberwachtes Lernen

387

7.2.1 k-Means-Clustering

387

7.2.2 Weitere Verfahren im Überblick

394

7.3 Übungsaufgaben

394

8 Künstliche neuronale Netzwerke

397

8.1 Einführung und Überblick

397

8.1.1 Natürliche und künstliche neuronale Netzwerke

397

8.1.2 Arten künstlicher neuronaler Netzwerke

399

8.2 Ein neuronales Netzwerk manuell implementieren

402

8.2.1 Mathematische Vorüberlegungen

403

8.2.2 Das neuronale Netzwerk implementieren

405

8.2.3 Ein weiteres Anwendungsbeispiel

410

8.3 Neuronale Netzwerke mithilfe von Python-Modulen einsetzen

413

8.3.1 Das scikit-learn-Modul für einfache neuronale Netzwerke

413

8.3.2 TensorFlow und Keras

415

8.4 Übungsaufgaben

417

9 Geschäftsprozessanalyse

419

9.1 Überblick

419

9.1.1 Die Geschichte der modernen Arbeitsorganisation bis zur Prozessanalyse

420

9.1.2 Was sind Geschäftsprozesse?

423

9.1.3 Aufgaben im Prozessmanagement

424

9.2 Prozesse mit der BPMN modellieren

426

9.2.1 Sprachen für die Prozessmodellierung

426

9.2.2 BPMN 2.0 im Überblick

429

9.2.3 Konkrete BPMN-Beispieldiagramme

435

9.3 Mit einem ERP- und CRM-System arbeiten

440

9.3.1 Gängige Fähigkeiten von Unternehmenssoftware

440

9.3.2 Das Open-Source-ERP-System dolibarr

443

9.4 Übungsaufgaben

447