Maschinelles Lernen: Forschungsperspektiven, jüngste Fortschritte und zukünftige Richtungen

Dieses Buch ist ein forschungsorientierter Leitfaden durch das moderne maschinelle Lernen, der unter drei Gesichtspunkten strukturiert ist: Forschungsperspektiven, jüngste Fortschritte und zukünftige Richtungen. Teil I etabliert strenge Methodiken, datenzentrierte KI (aktives Lernen, schwache Überwachung, Minderung von Vorurteilen) und kritische Evaluierung über einzelne Metriken hinaus. Teil II bietet einen Überblick über neuronale Architekturen (von Transformern bis hin zu Zustandsraummodellen), Optimierung (SAM, Double Descent), generative Modellierung (Vereinheitlichung von Diffusionen), geometrisches Deep Learning und selbstüberwachtes/multimodales Lernen. Teil III behandelt Basismodelle (Foundation Models) - Skalierungsgesetze, emergente Fähigkeiten (In-Context-Lernen, Chain-of-Thought), Grenzen der generativen KI (Halluzination, steuerbare Generierung) und neurosymbolische Ansätze (RAG, Werkzeugnutzung). Teil IV befasst sich mit den großen Herausforderungen: effizientes/nachhaltiges maschinelles Lernen, kontinuierliches/Meta-Lernen, Interpretierbarkeit/Robustheit/Ausrichtung (RLHF, kausale Repräsentation) und Wege zu AGI mit gesellschaftlichen Auswirkungen. Jedes Kapitel enthält offene Fragen und praktische Forschungschecklisten, die darauf abzielen, die Leser von Konsumenten zu Mitgestaltern zu machen.