Maschinelles Lernen und Kotlin: Von der Idee zum Production-Modell

Wenn Sie Kotlin-Entwickler sind und maschinelles Lernen erlernen möchten, ohne auf Python umzusteigen, ist dieses Buch genau das Richtige für Sie. Dmitri Volkov, ein praktizierender Ingenieur mit zehnjähriger Erfahrung, zeigt, wie Sie vollwertige ML-Systeme in der nativen JVM-Sprache aufbauen, indem Sie die gesamte Leistungsfähigkeit des Kotlin-Ökosystems und die Kompatibilität mit gängigen Python-Bibliotheken nutzen.

Das Buch ist in vier logische Teile gegliedert:

• Grundlagen des ML mit Kotlin — mathematische Grundlagen (lineare Algebra, Statistik, Optimierung) mit Beispielen in reinem Kotlin. Sie erfahren, wie Sie lineare Regression, logistische Regression und die k-Nearest-Neighbors-Methode ohne externe Abhängigkeiten implementieren.



• Bibliotheken und Werkzeuge — tiefgehende Einführung in Koma (Matrixberechnungen), KotlinDL (neuronale Netze von JetBrains), DeepLearning4J (industrielles Deep Learning) und die Integration mit TensorFlow über die Java-API. Sie lernen, vortrainierte Modelle zu laden und für Ihre Aufgaben nachzutrainieren.



• Integration mit der Python-Ökosystem — Ausführen von Python-Skripten über ProcessBuilder, Nutzung von Jupyter Notebooks für das Prototyping und Anwendung von DJL (Deep Java Library) für die nahtlose Arbeit mit PyTorch- und TensorFlow-Modellen direkt aus Kotlin-Code.



• Production-ML-Systeme — Aufbau von Datenverarbeitungspipelines, Serialisierung von Modellen in die Formate PMML und ONNX, Bereitstellung über Spring Boot, Überwachung von Data Drift und A/B-Testing von Modellen in Echtzeit.

Besonderes Augenmerk liegt auf praktischen Anwendungsfällen:

• Klassifizierung von Textbewertungen mit NLP in Kotlin
• Prognose von Zeitreihen (Verkäufe, Traffic) mit rekurrenten Netzen
• Empfehlungssystem auf Basis kollaborativer Filterung
• Anomalieerkennung in Server-Logs
• Computervision: Bildklassifizierung mit KotlinDL

Alle Beispiele werden von funktionsfähigem Code begleitet, der im Repository verfügbar ist. Sie lernen nicht nur, Modelle zu trainieren, sondern auch, sie in reale Anwendungen zu integrieren – von Android bis hin zu serverseitigen Microservices. Das Buch richtet sich an Entwickler, die mit den Grundlagen von Kotlin und Java vertraut sind, aber keine Vorkenntnisse im Bereich ML erfordert. Für alle, die im JVM-Ökosystem bleiben möchten, ohne auf moderne Data-Science-Funktionen zu verzichten.

Am Ende erwartet Sie ein durchgängiges Projekt: die Erstellung eines ML-Dienstes zur Vorhersage der Kundenabwanderung – von der Datenerfassung bis zum Deployment in Kubernetes mit Ktor und Kafka. Sie erhalten eine fertige Vorlage für den Aufbau eigener ML-Produkte mit Kotlin.

Das Buch ist in gebundener Ausgabe erschienen, umfasst über 400 Seiten, mehr als 80 Abbildungen und QR-Codes zu Video-Tutorials. Die ideale Wahl für alle, die maschinelles Lernen in der Sprache schreiben möchten, die sie kennen und lieben.