Willkommen beim Blog zum Maschinellen Lernen! Hier kommen die Wissenschaftler*innen des Forschungszentrums Maschinelles Lernen Rhein-Ruhr zu Wort. Es gibt spannende Beiträge für Einsteiger*innen, Profis, Anwender*innen aus der Praxis und alle, die neugierig auf die Themen Maschinelles Lernen und Künstliche Intelligenz sind.
Optimierung ist eine Schlüsselkomponente des Maschinellen Lernens, die erlaubt, Modelle basierend auf Daten zu trainieren. Sie arbeitet meist im Hintergrund, ist jedoch gerade bei hochkomplexen Lernproblemen und schwieriger Datenlage wichtig.
Bei Daten mit Lücken ist das Lernen von Modellen oft schwierig, und in manchen Fällen sogar unmöglich. Allerdings können generative Verfahren helfen, indem sie unvollständige Daten mit möglichst sinnvollen Annäherungen auffüllen.
Viele Entscheidungen können heutzutage effizient, genau und automatisiert mittels maschineller Lernverfahren getroffen werden. Ebenso wichtig ist allerdings, dass transparent dargestellt und erklärt wird, warum und wie diese Entscheidungen zustande kommen.
Für den Blog schreiben neben Gastautor*innen vor allem Wissenschaftler*innen aus dem ML2R. Die Autor*innen verraten, an welchen Themen sie gerade arbeiten, was sie besonders interessiert und welchem der ML2R-Forschungsschwerpunkte ihre Arbeit zugeordnet ist. Die Redakteur*innen kommen aus dem PR-Team des ML2R und beantworten Ihnen auch gern Fragen zum Blog.
In diesem Beitrag erklären wir den Ansatz der generativen neuronalen Modelle. Diese haben in Anwendungsbereichen, in denen handkuratierte Daten für überwachtes Lernen schwer oder nicht erhältlich sind, gute Erfolge erzielt.
Finanzdokumente enthalten sensible Informationen, die die Nutzung und Verarbeitung der Daten nur für autorisierte Personen zulässt. Das Anonymizer-Tool schwärzt diese Informationen durch natürliche Sprachverarbeitungs- und Deep Learning-Techniken sowie einer regelbasierten Nachbearbeitung.
Wie einfach KI-Algorithmen angegriffen werden können, hängt von der Form der Grenzen ab, mit der das neuronale Netz die Entscheidungen voneinander trennt. Diese kann durch das Erhitzen der Entscheidungsgrenzen bestimmt werden.
Die Lokalisierung von autonom fahrenden Robotern ist essentiell für ihre Navigation im Raum. ML2R-Wissenschaftler*innen entwickelten eine Methode, welche es Robotern ohne Vorwissen und mittels Bodenkamera ermöglicht, ihre räumliche Position zu bestimmen.
Künstliche Intelligenz braucht viele Daten. Aber wie viele Daten brauche ich mindestens für ein gutes Modell? Der „Curse of Dimensionality“ und das “Nyquist-Shannon-Theorem” geben Antworten.
Die Evolutionäre Optimierung ist eine echte Alternative zu gradientenbasierten Verfahren, da sie flexibler in verschiedenen Anwendungsszenarien eingesetzt werden kann. ML2R-Forschende nutzten evolutionäre Algorithmen, um Schaltkreise von Quantencomputern zu optimieren.
Für Einsteiger*innen: Hier erklären wir Begriffe und grundlegende Konzepte des Maschinellen Lernens und der Künstlichen Intelligenz.
Für Profis: Unsere Autor*innen berichten über Forschungstrends und ihre aktuellen wissenschaftlichen Arbeiten zum Maschinellen Lernen.
Für Praktiker: Hier geht es um Wissenstransfer. Wir schlagen die Brücke zu praktischen Anwendungen in Wirtschaft und Gesellschaft.
Haben Sie Fragen oder möchten Sie gern selbst einen Beitrag für unseren Blog schreiben? Hier können Sie Kontakt aufnehmen!
