Maschinelles Lernen und Kotlin: Ein praktischer Leitfaden

Das Buch „Maschinelles Lernen und Kotlin“ ist der erste praxisorientierte Leitfaden in deutscher Sprache, der zeigt, wie man Modelle des maschinellen Lernens mit dem Kotlin- und JVM-Ökosystem erstellt, ohne Python-Code schreiben zu müssen. Der Autor – Alexey Voronov, Senior ML Engineer und Kotlin-Enthusiast – teilt seine langjährige Erfahrung in der Integration von ML in industrielle Kotlin-Anwendungen.

Worum geht es in diesem Buch?

Das Buch deckt den gesamten Zyklus der Arbeit mit Daten und Modellen in Kotlin ab:

• Grundlagen des maschinellen Lernens – Lineare Regression, Entscheidungsbäume, SVM, Clustering. Theorie und sofort Code in Kotlin.
• Bibliotheken für ML auf der JVM – Detaillierte Analyse von KotlinDL (Analogon zu Keras für Kotlin), Smile (Statistik und ML), DeepLearning4J (neuronale Netze). Leistungsvergleich.
• Arbeit mit Daten – Laden, Bereinigen, Visualisieren mit Kotlin-Bibliotheken (kravis, lets-plot). Pandas wird nicht benötigt.
• Deep Learning – Convolutionale und rekurrente neuronale Netze, Transformer. Beispiele: Bildklassifikation, Textanalyse.
• ML in der Produktion – Verpacken von Modellen in REST-APIs (Ktor, Spring Boot), Export nach ONNX, Arbeit mit MLflow.
• Kotlin Multiplatform für ML – Ausführen von Modellen auf Android, iOS und dem Server.

Für wen ist dieses Buch?

• Java/Kotlin-Entwickler, die maschinelles Lernen in ihre Projekte integrieren möchten, aber Python und seine Frameworks nicht lernen wollen.
• Data Scientists, die Kotlin als Alternative für Produktionscode kennenlernen möchten.
• Studenten und Dozenten, die ML auf der JVM studieren.

Was werden Sie nach der Lektüre wissen?

• Wie Sie die passende Bibliothek für Ihre Aufgabe auswählen: von einfacher Regression bis zu GPT-ähnlichen Modellen.
• Wie Sie Daten ohne Python lesen und verarbeiten (CSV, JSON, Parquet, Datenbanken).
• Wie Sie ein neuronales Netz mit KotlinDL in 10 Codezeilen erstellen.
• Wie Sie das Modell für die JVM optimieren und die GPU über CUDA nutzen.
• Wie Sie das Modell in einem Microservice mit Ktor bereitstellen und mit dem Frontend verbinden.

Warum Kotlin für ML?

Kotlin ist eine statisch typisierte Sprache, die auf der JVM läuft. Sie vereint die Prägnanz von Python mit der Leistung von Java. Mit Kotlin für ML erhalten Sie:

• Einen einheitlichen Technologie-Stack (Backend + ML + mobile Anwendungen).
• Weniger Typfehler zur Kompilierzeit.
• Hohe Ausführungsgeschwindigkeit (JIT-Kompilierung).
• Einfache Integration in die bestehende Infrastruktur (Spring, Ktor, Gradle).

Das Buch enthält über 50 praktische Beispiele, die sofort ausführbar sind. Der Quellcode ist auf GitHub verfügbar. Geeignet sowohl für Anfänger als auch für erfahrene ML-Ingenieure.

Format: PDF, EPUB. Umfang: 480 Seiten.