Maschinelles Lernen und Kotlin. Praktischer Leitfaden

Das Buch „Maschinelles Lernen und Kotlin“ ist der erste praktische Leitfaden seiner Art, der die Lücke zwischen der Welt der Data Science und der modernen JVM-Entwicklung schließt. Wenn Sie ein Kotlin-Entwickler sind, der maschinelles Lernen in seine Projekte integrieren möchte, aber nicht auf Python umsteigen will, ist dieses Buch genau das Richtige für Sie.

Worum geht es in diesem Buch

Das Buch ist als schrittweise Reise von den grundlegenden ML-Konzepten bis zur Bereitstellung fertiger Modelle in der Produktion aufgebaut. Sie beginnen mit der Einrichtung der Umgebung und dem Kennenlernen der Bibliotheken und enden mit einem vollwertigen REST-Dienst auf Ktor, der Immobilienpreise vorhersagt.

Was Sie lernen werden

• Wie Sie ein Kotlin-Projekt für Data Science einrichten (Gradle, Kotlin DSL, Jupyter Notebooks)
• Grundlagen der linearen Regression, Entscheidungsbäume und Ensemble-Methoden in Kotlin
• Arbeit mit den Bibliotheken DeepLearning4J und DJL (Deep Java Library) für Deep Learning
• Datenverarbeitung und -visualisierung mit Kotlin-Frameworks (Kravis, Smile)
• Aufbau neuronaler Netze zur Klassifizierung von Bildern und Text
• Integration von ML-Modellen in Mikrodienste auf Ktor
• Optimierung der Modellleistung mittels GPU über die JVM
• Testen, Überwachen und A/B-Experimente mit ML-Modellen

Für wen ist dieses Buch

• Backend-Entwickler in Kotlin, die ihren Anwendungen ML-Funktionen hinzufügen möchten
• Android-Entwickler, die sich für On-Device-Machine-Learning interessieren
• Data Scientists, die für Produktionssysteme von Python auf Kotlin umsteigen möchten
• Studenten, die maschinelles Lernen auf dem JVM-Stack erlernen

Warum Kotlin?

Kotlin ist nicht nur eine Sprache für Android. Dank der vollständigen Kompatibilität mit Java, der Nullkosten-Abstraktion und dem leistungsstarken Typsystem wird es zu einer hervorragenden Wahl für Data Science. Sie erhalten Typsicherheit zur Kompilierzeit, eine prägnante Syntax und Zugriff auf das gesamte Ökosystem der Java-Bibliotheken (DL4J, ND4J, Apache Spark MLlib).

Beispiele aus dem Buch

Jedes Kapitel enthält funktionierenden Code, der sofort ausgeführt werden kann. Sie werden zum Beispiel schreiben:

• Ein Modell zur Umsatzprognose auf Basis historischer Daten
• Einen Text-Stimmungsklassifikator mit Kotlin + DJL
• Einen Dienst zur Erkennung handgeschriebener Ziffern (MNIST) auf Ktor
• Eine Pipeline zur Verarbeitung von Streaming-Daten mit Kafka und ML

Das Buch „Maschinelles Lernen und Kotlin“ ist Ihre Brücke von der Welt der reinen Programmierung in die Welt der künstlichen Intelligenz. Beginnen Sie noch heute mit dem Bau intelligenter Anwendungen!