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.
Word-Embeddings bilden den Grundbaustein für die algorithmische Analyse und Verarbeitung von Texten, wie Textklassifizierung, Übersetzung und Textgenerierung. Interpretierbare Vektorrepräsentation von Wörtern kodieren semantische Zusammenhänge verständlich und ermöglichen Analyse von wort-übergreifenden Themen.
Edge Deployment ermöglicht die sichere und ressourcenschonende Verarbeitung großer Datenströme in Echtzeit sowie ein dezentrales Datenmanagement und Training im Maschinellen Lernen. KI-basierte Anwendungen können so in die Produktion gebracht werden.
Publish or Perish? Wissenschaft zum Maschinellen Lernen unterliegt einem hohen Publikationsdruck. ML-Forschung kann hier von einer Adaption des Slow Science-Ansatzes profitieren, der mehr Zeit für und Konzentration auf inhaltliche Forschungstätigkeit legt.
Sicherheitskritische Systeme, wie beispielsweise selbstfahrende Autos, stellen neue, hohe Anforderungen an KI-Modelle. Vielerorts wird hierzu an Lösungsansätzen geforscht, ein umfassender Überblick wurde jetzt durch ein Übersichtspapier des Konsortiums „KI-Absicherung“ geschaffen.
Künstliche Intelligenz ist im medizinischen Kontext nicht wegzudenken. Gerade während einer globalen Pandemie können die Digitalisierung und Verschlankung von Prozessen im Gesundheitswesen dabei unterstützen, wertvolle Ressourcen zu sparen und Überlastungen abzufedern.
BERT ermöglicht es viele Probleme der Interpretation natürlicher Sprache zu lösen. Dieser Beitrag erläutert detailliert die Architektur, die Eigenschaften und Funktionsweise des von Google entwickelten Modells.
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!
