{"product_id":"the-mathematics-of-large-language-models-machine-learning-theory-made-readable-llms-transformers-diffusion-neural-networks-optimization-and-generative-ai","title":"Die Mathematik großer Sprachmodelle: Maschinelles Lernen verständlich erklärt: LLMs, Transformatoren, Diffusion, Neuronale Netze, Optimierung und Generative KI","description":"\u003cp\u003eÜberarbeitet und aktualisiert, August 2026\u003cbr\u003e\n \u003cbr\u003e\n Die meisten Erklärungen zur künstlichen Intelligenz enden, kurz bevor die Mathematik interessant wird. Dieses Buch geht weiter.\u003cbr\u003e\n \u003cbr\u003e\n Bücher über KI wählen meist einen von zwei Ansätzen: Entweder vermeiden sie Gleichungen gänzlich, oder sie präsentieren sie so, als spräche man die Sprache bereits. Dieses Buch tut weder das eine noch das andere. Die Mathematik wird hier vollständig und unvereinfacht dargestellt, und es wird ein Weg geboten, sie zu lesen.\u003cbr\u003e\n \u003cbr\u003e\n Es wurde für Menschen geschrieben, die die tatsächliche Mathematik hinter diesen Systemen verstehen möchten und immer wieder an der Notation scheitern. Das ist ein realer und häufiger Punkt, an dem man feststeckt, und es ist nicht dasselbe, wie dem Argument nicht folgen zu können. Es wird kein fortgeschrittener Abschluss vorausgesetzt. Es wird angenommen, dass Sie bereit sind, sich mit einer Gleichung zu beschäftigen, bis sie sich Ihnen erschließt.\u003cbr\u003e\n \u003cbr\u003e\n Wie die Mathematik entschlüsselt wird\u003cbr\u003e\n \u003cbr\u003e\n Nach jeder Gleichung leisten zwei kurze Abschnitte die Arbeit:\u003cbr\u003e\n \u003cbr\u003e\n „Was sie tut“ erklärt in einfacher Sprache, wozu die Formel dient.\u003cbr\u003e\n \u003cbr\u003e\n „Die Formel lesen“ führt symbolweise durch die Notation: Was jeder Teil beiträgt, was sich ändert, wenn man ihn verändert, und warum die Gleichung so geschrieben ist, wie sie ist.\u003cbr\u003e\n \u003cbr\u003e\n Dies vereinfacht die Mathematik nicht. Der Ausdruck auf der Seite ist der, den das Fachgebiet in voller Stärke verwendet, denn eine verwässerte Version würde Ihnen etwas Falsches lehren. Die beiden Abschnitte geben Ihnen einen Weg, sie zu erschließen.\u003cbr\u003e\n \u003cbr\u003e\n Wie das Buch aufgebaut ist\u003cbr\u003e\n Siebzehn Kapitel, und es sind keine siebzehn getrennten Übersichten. Ein Vorwort erläutert die Struktur, bevor Sie beginnen: welche Kapitel eigenständig sind, auf welche der Rest des Buches aufbaut, und verschiedene Wege, je nachdem, wonach Sie suchen. Jedes Kapitel beginnt dann damit, zu sagen, was es etabliert, was es annimmt und worauf spätere Kapitel aufbauen. Sie wissen immer, wo Sie sind und warum Sie dort sind.\u003cbr\u003e\n \u003cbr\u003e\u003c!--nl\"\/\u003e Die Geschichten\u003cbr\u003e\n Jedes Kapitel erzählt die menschliche Geschichte hinter den darin enthaltenen Ideen: die Beobachtung, das gescheiterte Experiment, das Wettbewerbsergebnis, die unerwartete Verbindung, die Forscher dazu brachte, neu zu überdenken, wie Lernen funktioniert. Die Mathematik kommt an das Problem gekoppelt, zu dessen Lösung sie erfunden wurde, was auch der tatsächliche Entdeckungsweg ist und wie sie am leichtesten zu behalten ist.\u003cbr\u003e\n \u003cbr\u003e\n Was das Buch behandelt\u003cbr\u003e\n Approximation und was ein Netzwerk darstellen kann. Optimierung und was Training tatsächlich finden kann. Generalisierung, implizite Voreingenommenheit und Double Descent. Symmetrie und Faltung. Rekurrenz und Zustandsraummodelle. Aufmerksamkeit und Transformatoren. Graphen. Latent-Variable- und Adversarial-Modelle. Diffusion und optimaler Transport. Modelle kontinuierlicher Tiefe. Operator-Lernen für wissenschaftliche Probleme. Bayes’sche Methoden und kalibrierte Unsicherheit. Robustheit und Kausalität. Skalierungsgesetze und In-Context-Lernen. Und ein abschließendes Kapitel über Halluzinationen: Was die Mathematik darüber aussagt, was ein Modell nicht wissen kann, und wann Abstinenz die richtige Antwort ist.\u003cbr\u003e\n \u003cbr\u003e\n Eine ehrliche Anmerkung zur Passform\u003cbr\u003e\n \u003cbr\u003e\n Wenn Sie diese Notation bereits fließend lesen, wird der erklärende Apparat Sie eher behindern. Sie sind hier willkommen, und Sie sollten ihn überspringen: Die Ergebnisse, Ableitungen und Zitate stehen auch ohne ihn. Aber das Gerüst ist der Kern dieses Buches, und es wurde für Leser gebaut, die es brauchen.\u003cbr\u003e\n \u003cbr\u003e\n Wenn Sie jemals über oberflächliche Erklärungen hinausgehen und die Mathematik verstehen wollten, die moderne KI zum Funktionieren bringt, dann wurde dieses Buch für Sie geschrieben.\u003cbr\u003e\n \u003cbr\u003e\n Jason Karpeles ist ein preisgekrönter Datenwissenschaftler und Innovator im Bereich der prädiktiven Analytik mit dreißig Jahren Erfahrung im Aufbau von Prognose- und Machine-Learning-Modellen in der Industrie. Jason erwarb einen Master-Abschluss in Wirtschaftswissenschaften an der NYU und einen MBA an der Duke University. Eine vollständige Biografie finden Sie unter „Über den Autor“.\u003c\/p\u003e","brand":"ANT","offers":[{"title":"E-Book","offer_id":54244267098480,"sku":"YSL14073","price":7.99,"currency_code":"USD","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/1009\/8543\/8576\/files\/ebook_3947_425b16d584.jpg?v=1789612323","url":"https:\/\/antbook.store\/de\/products\/the-mathematics-of-large-language-models-machine-learning-theory-made-readable-llms-transformers-diffusion-neural-networks-optimization-and-generative-ai","provider":"ANTBOOK","version":"1.0","type":"link"}