Search Results

You are looking at 1 - 10 of 422 items :

  • "maschinelles Lernen" x
Clear All

at 11/97 Maschinelles Lernen Fritz Wysotzki, Berlin Prof. Dr. rer. nat. habil. Fritz Wysotzki ist Professor des Fachgebietes Methoden der Künstlichen Intelligenz an der Technischen Universität Berlin, Fachbereich Informatik. Hauptarbeitsfelder: Maschinelles Lernen, Programmsynthese und Prozeßsteuerung mit induktiven und Planungsmethoden, Kognitionswissenschaft. Adresse: Technische Universität Berlin, Fachbereich Informatik, Sekr. 5-8 , Franklinstraße 28/29, D-10587 Berlin. Der Artikel ist eine Einführung in Methoden und Anwendungsmöglichkeiten des

11 Maschinelles LernenMaschinelles Lernen‘ bezeichnet automatische Methoden, die sich durch Erfah- rung verbessern können. Dies geschieht, indem ihnenDaten als Beispiele präsen- tiert werden und sie daraus Informationen ableiten, die ihnen helfen, ihre Auf- gabe zu erfüllen (vgl. z.B. Mitchell 1997, 2–3). Es geht also darum, Muster und Zusammenhänge automatisch zu erfassen und nutzbar zu machen. Solche Tech- niken können auf die unterschiedlichsten Arten von Daten angewendet werden und sind mittlerweile in vielen Disziplinen verbreitet, z.B. in der Medizin und

it 2/2013 Distinguished Dissertations Kernel-Based Machine Learning with Multiple Sources of Information Kernbasiertes Maschinelles Lernen mit mehreren Informationsquellen Marius Kloft∗, Courant Institute of Mathematical Sciences, New York, USA ∗ Correspondence author: mkloft@cs.nyu.edu Summary We present a new methodology for fusing infor- mation from multiple data sources – or kernels – in machine learning. Previous approaches promoted sparse combinations of kernels, which, however, may discard important information. We present a flexible approach based on p

12 Maschinelles Lernen und Data Mining Stefan Wrobel, Thorsten Joachims und Katharina Morik Das Forschungsgebiet des maschinellen Lernens (vom englischen machine learning) beschäftigt sich, ebenso wie die eng verwandeten Nachbargebiete des Data Mining bzw. der Wissenentde- ckung in Datenbanken (Knowledge Discovery in Databases, KDD) mit der computergestützten Modellierung und Realisierung von Lernphänomenen, der Extraktion von Wissen aus großen Datenbeständen und der Realisierung adaptiver Systeme. Wie kaum ein anderes Gebiet der künstlichen Intelligenz haben

739 Ulrich Schwalbe Algorithmen, maschinelles Lernen und kollusives Verhalten 1. Einleitung Die wachsende Bedeutung von Big Data in der digitalen Wirtschaft und die zuneh- mende Verbreitung preissetzender Algorithmen haben Befürchtungen genährt, dass diese Technologien neuartige Wettbewerbsprobleme aufwerfen könnten. Eines der Themen, das von Wettbewerbsjuristen und -politikern derzeit intensiv diskutiert wird, ist die Frage, ob intelligente, lernende, preissetzende Algorithmen, die von vie- len Unternehmen im Rahmen eines dynamischen Preismanagements genutzt

2 Maschinelles Lernen in der Linguistik 2.1 Kriterien von Lernsystemen Die menschliche Fähigkeit des Lernens gilt als überaus komplex und heterogen. Unter Lernen werden so unterschiedliche Fähigkeiten verstanden wie beispielsweise der Erwerb und die Anwendung von Wissen über physikalische Zusammenhänge (eine kognitive Fähigkeit) oder das Erlernen des Schwimmens (eine motorische Fähigkeit). Demzufolge ist auch der Versuch, Lernvorgänge zu modellieren und zu simulieren, das Maschinelle Lernen, ein vielschichtiges Gebiet mit den unterschiedlichsten Ansätzen

Zusammenfassung

Anwendungen von maschinellen Lernverfahren (ML) haben in jüngster Zeit aufsehenerregende Durchbrüche bei einer ganzen Reihe von Aufgaben in der maschinellen Sprachverarbeitung (NLP) erzielt. Der Fokus vieler Arbeiten liegt hierbei in der Entwicklung immer besserer Modelle, während der Anteil der Aufgaben in praktischen Projekten, der sich nicht mit Modellbildung, sondern mit Themen wie Datenbereitstellung sowie Evaluierung, Wartung und Deployment von Modellen beschäftigt, oftmals noch nicht ausreichend Beachtung erfährt. Im Ergebnis fehlen gerade Unternehmen, die nicht die Möglichkeit haben, eigene Plattformen für den Einsatz von ML und NLP zu entwerfen, oft geeignete Werkzeuge und Best Practices. Es ist zeichnet sich ab, dass in den kommenden Monaten eine gerade diesen praktischen Fragen zugewandte Ingenieurssicht auf ML und ihren Einsatz im Unternehmen an Bedeutung gewinnen wird.

tm – Technisches Messen 2019; 86(S1): S47–S51 Gabriela Alexe*, Andreas Tausendfreund, Dirk Stöbener und Andreas Fischer Maschinelles Lernen für Abdeckungsmessungen von Oberflächen mit abgeschiedenen Au-Nanosphären mittels Lichtstreuung Machine learning for coverage measurements of surfaces with deposited Au-nanospheres by light scattering DOI 10.1515/teme-2019-0055 Zusammenfassung: Die nicht-negative Matrixfaktorisie- rung wird als Ansatz zur Lösung des inversen Problems bei Oberflächenmessungen basierend auf der Auswertung von Streulichtverteilungen

Maschinelles Lernen als bildungspolitischer Kontrollverlust? Eine spekulative Kontrollgeschichte der Bildungsplanung Jeremias Herberg 1. EInlEItung Aktuelle Debatten über die Bildungsimplikationen künstlicher Intelligenz (KI) geben Anlass zu sehr spekulativen Fragen (vgl. Executive Office 2016, Fur- man 2016). Diese drehen sich immer wieder um das Begriffspaar von Lernen und Maschinen und oft wird spekuliert, wer oder was denn eigentlich lernt, Mensch oder Maschine: Wenn beispielsweise das Leseverhalten von Schülern beobachtet wird, um ein