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.
Bereits in der experimentellen Phase des Maschinellen Lernens können Trainingsvorgänge übersichtlich und nachvollziehbar strukturiert werden. Dieser Beitrag stellt ein hilfreiches Tool für diesen Zweck vor.
Mit der Methode der kleinsten absoluten Abweichung kann eine Regressionsgerade bestimmt und ein Lineares Regressionsmodell so trainiert werden, dass es robust gegenüber Unregelmäßigkeiten – sogenannten „Ausreißern“ – in Daten ist.
Fake News werden als eine der größten Herausforderungen unserer Zeit eingestuft. Aber kann Maschinelles Lernen bei der Erkennung von Fake News unterstützen? Wir zeigen die Grenzen und Potentiale auf.
Lineare Regression, eine grundlegende Technik im Maschinellen Lernen, liefert in Anwendungsfällen schnell gute Ergebnisse. Wir zeigen praxisnah und mit Python Code-Schnipseln, wie man Lineare Regressionsmodelle mittels Methode der kleinsten Quadrate trainiert.
Intelligente Sprachmodelle erhalten beständig mehr Einzug in unseren Alltag und nehmen Einfluss auf uns. Doch sind sie alle nützlich? Können wir sie noch von Menschen unterscheiden oder bedarf es neuer Forschungsansätze?
Bin packing is part of the thoroughly scrutinized class of combinatorial optimization problems. This Blog post applies two practical heuristics to a concrete example and compares their efficacy regarding two criteria.
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!
