Maschinelles Lernen und Go (Golang): Von den Grundlagen bis zur Produktion

Dieses Buch ist der erste praxisorientierte Leitfaden in deutscher Sprache zur Erstellung von Systemen des maschinellen Lernens mit der Sprache Go. Wenn Sie ein Go-Entwickler sind, der ML in seine Projekte integrieren möchte, oder ein Data Scientist, der an einer leistungsstarken und zuverlässigen Sprache für die Produktion interessiert ist, dann ist dieses Buch für Sie.

Worum geht es in dem Buch

Das Buch deckt den gesamten Zyklus der Arbeit mit maschinellem Lernen in Go ab: von der Datenerfassung und -vorverarbeitung, dem Erstellen von Modellen (lineare Regression, Entscheidungsbäume, neuronale Netze) bis hin zu deren Bereitstellung in einer Microservice-Architektur. Besonderes Augenmerk wird gelegt auf:

• Bibliotheken und Frameworks: golearn, Gorgonia, gonum, tfgo (TensorFlow für Go);
• Verarbeitung großer Datenmengen mit Hilfe von Channels und Goroutinen;
• Integration mit externen ML-Diensten (TensorFlow Serving, ONNX Runtime);
• Erstellung von REST/gRPC-APIs für Modelle;
• Testen, Monitoring und A/B-Testing von ML-Systemen.

Für wen ist dieses Buch

• Go-Entwickler, die maschinelles Lernen in ihren Stack integrieren möchten;
• Data Scientists, die von Python auf das leistungsfähigere Go umsteigen möchten;
• DevOps-Ingenieure, die für die Bereitstellung von ML-Modellen verantwortlich sind;
• Studenten und Dozenten von Kursen zum maschinellen Lernen.

Was Sie lernen werden

• Wie Sie das richtige Werkzeug für eine bestimmte ML-Aufgabe in Go auswählen;
• Wie Sie ein Regressions-, Klassifikations- und Clustering-Modell erstellen und trainieren;
• Wie Sie ein Modell für Hochlast und niedrige Latenz optimieren;
• Wie Sie ein Modell in einen bestehenden Go-Dienst integrieren (z. B. mit dem Framework Gin oder Echo);
• Wie Sie ONNX für den Transfer von Modellen zwischen Python und Go verwenden;
• Wie Sie Unit-Tests für ML-Komponenten schreiben und Modellversionen verwalten (DVC, Git LFS).

Warum Go für ML?

Go kombiniert die Leistung von C/C++ mit der Einfachheit von Python. Es ist ideal für die Produktion: statische Typisierung, schnelle Kompilierung, integrierte Parallelitätsunterstützung. Das Buch zeigt, wie diese Vorteile helfen, skalierbare und zuverlässige ML-Systeme zu bauen.

Beispiel aus dem Buch

In Kapitel 5 implementieren Sie einen Empfehlungsdienst auf Basis von Collaborative Filtering – vom Laden der Daten aus einer CSV-Datei bis zur Bereitstellung in Docker mit Kubernetes. Der vollständige Code und die Tests sind im Repository verfügbar.

Das Buch richtet sich an Leser mit grundlegenden Kenntnissen in Go (Syntax, Strukturen, Interfaces) und den Grundlagen des maschinellen Lernens (was sind Merkmale, Metriken, Überanpassung).