Zum Inhalt springen
ML2R-Blog
ML-Blog des Kompetenzzentrums ML2R
ML2R-BlogML2R-Blog
  • Grundlagen
    • KI-Ethik
    • ML Basics
  • Forschung
  • Anwendung
  • Mehr
    • Alle Beiträge
    • Über uns
    • Kontakt
    • Benachrichtigung
    • ML2R




Generic selectors

Exact matches only


Titel durchsuchen


Inhalte durchsuchen




  • Grundlagen
    • KI-Ethik
    • ML Basics
  • Forschung
  • Anwendung
  • Mehr
    • Alle Beiträge
    • Über uns
    • Kontakt
    • Benachrichtigung
    • ML2R

Slide Grundlagen
• GrundlagenML Basics

Klassifikation im Maschinellen Lernen

Von Sebastian Müller18. Mai 2022

Klassifikation ist eines der fundamentalen Denkwerkzeuge im ML. Mit ihm können existierende Lösungen auf neue Probleme übertragen werden. Klassifikatoren lernen aus Daten Muster zu erkennen und so Daten verschiedenen Klassen zuzuordnen.

Mehr lesen
• Grundlagen

Wie funktioniert Design of Experiments mit KI?

Von Dorina Weichert23. März 2022

In den Forschungs- und Entwicklungsabteilungen kann Design of Experiments mit Künstlicher Intelligenz viele Experimente, und damit Zeit, Geld und Ressourcen sparen. Doch wie genau funktioniert es?

Mehr lesen
• Grundlagen

Computer Vision: Wie lernen Maschinen zu sehen?

Von Christian Pionzewski9. März 2022

Maschinelles Lernen ermöglicht das Entwickeln leistungsfähiger Bilderkennungssysteme (Computer Vision), mit denen Informationen aus Bildern und Videos automatisiert erkannt und extrahiert werden können. Insbesondere Deep-Learning-Verfahren haben hierbei einen Vorteil gegenüber traditionellen Methoden.

Mehr lesen
• GrundlagenGastbeitrag

Das war ich nicht! – Wer ist verantwortlich für KI-gestützte Entscheidungen?

Von Prof. Dr. Eva Schmidt8. Dezember 2021

Der Einsatz künstlicher intelligenter Systeme erschwert es uns, Personen für Fehlentscheidungen verantwortlich zu machen. Die Einbindung menschlicher Akteure und erklärbarer KI-Systeme ermöglicht eine Verantwortungszuschreibung bei KI-gestützten Entscheidungsprozessen.

Mehr lesen
• GrundlagenGastbeitrag

Die mathematischen und ethischen Herausforderungen fairer KI

Von Dr. Astrid Schomäcker1. Dezember 2021

Die Entwicklung fairer KI steht vor vielen Herausforderungen. Eine davon: Wie genau sehen eigentlich faire Entscheidungen aus? Diese Frage lässt sich weder mathematisch noch ethisch leicht beantworten.

Mehr lesen
• GrundlagenGastbeitrag

Mein Freund, der Roboter – Kann man Freundschaft programmieren?

Von Sara Mann24. November 2021

Hersteller von „Artificial Companions“ versprechen, dass man mit ihren KI-Systemen tatsächlich befreundet sein kann. Ist dies der Weg zur perfekten Freundschaft, oder handelt es sich um eine riskante Illusion?

Mehr lesen
• Grundlagen

I forgot to remember to forget: Vergessen als neue Anforderung an KI

Von Alexander Becker29. September 2021

Mit der DSGVO trat das Recht auf Vergessenwerden in Kraft. Im Maschinellen Lernen eröffnet gezieltes Vergessen neben Aspekten der Datensicherheit und Privatsphäre auch Potenziale für die Anwendbarkeit und Weiterentwicklung von Lernmodellen.

Mehr lesen
• Grundlagen

Was ist eine lineare Regression?

Von Pascal Welke25. August 2021

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.

Mehr lesen
• Grundlagen

Wie generierte Texte den Alltag beeinflussen können – Über Sorgen, Fähigkeiten und Limitationen von KI Sprachmodellen

Von Jana Germies18. August 2021

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?

Mehr lesen
• Grundlagen

Generative Adversarial Networks (GANs) für maschinelle Übersetzung

Von Jörg Kindermann28. Juli 2021

GANs ermöglichen ohne die Vorgabe von Regeln oder anderem Expertenwissen, allein aus großen Datenmengen neue, domänenspezifische Beispiele zu erzeugen. In diesem Beitrag erklären wir, wie GANs für die Übersetzung genutzt werden.

Mehr lesen
• Grundlagen

Erklärbares Maschinelles Lernen durch zusätzliches Wissen verbessern

Von Sebastian Müller21. Juli 2021

Nachvollziehbarkeit algorithmischer Entscheidungen ist längst auch über die Forschung hinaus relevant. Wir analysieren, wie Erklärbarkeitsmethoden und externes Wissen zusammenwirken können, um Maschinelles Lernen an gesellschaftliche Anforderungen anzupassen und zu verbessern.

Mehr lesen
• Grundlagen

Abwehrspiel: Was können wir gegen Adversarial Examples tun?

Von Linara Adilova12. Juli 2021

Software für Maschinelles Lernen ist für bestimmte Angriffe anfällig: So können künstlich veränderte Eingabedaten zum Versagen des zugrunde liegenden Modells führen. Wir stellen Techniken zur Entwicklung von adversarialer Robustheit vor.

Mehr lesen
• Grundlagen Was sind Adversarial Examples?

Was sind Adversarial Examples?

Von Linara Adilova7. Juli 2021

Feindliche Angriffe beim maschinellen Lernen zielen darauf ab, Ausfälle in der Funktionalität der Modelle zu verursachen. Dieser Blogpost beschreibt die sogenannten „Adversarial Examples“, die fehlerhafte Vorhersagen neuronaler Netze verursachen.

Mehr lesen
• Grundlagen

Wie viele Daten braucht Künstliche Intelligenz?

Von Dorina Weichert19. Mai 2021

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.

Mehr lesen
• Grundlagen Quantencomputer

Quantencomputer: Neue Potenziale für Maschinelles Lernen

Von Prof. Dr. Christian Bauckhage , Dr. Nico Piatkowski4. Mai 2021

Quantencomputer haben das Potenzial, Informationen schneller zu verarbeiten und komplexere Aufgaben zu bewältigen als klassische Computer. Sie werden Künstliche Intelligenz und Maschinelles Lernen tiefgreifend verändern und neue Anwendungsmöglichkeiten für ML-Verfahren erschließen.

Mehr lesen
• GrundlagenML Basics Tiefe Neuronale Netze

Deep Learning: Wie funktionieren tiefe neuronale Netze?

Von Dr. Gerhard Paaß21. April 2021

Deep Learning nutzt tiefe neuronale Netze, um Bilder zu erkennen, Texte zu verstehen und Entscheidungen genauer zu treffen. Zur Analyse großer Datensätze verwendet das „mehrschichtige Lernen“ mehrere versteckte Ebenen im Netz.

Mehr lesen
• Grundlagen Bedeutung von Worten berechnen

Die Bedeutung von Worten durch Vektoren erfassen

Von Dr. Gerhard Paaß10. März 2021

Der Sinngehalt von Worten lässt sich durch numerische Vektoren darstellen, die auch die Nachbarschaftsworte einbeziehen. Dadurch lassen sich syntaktische und semantische Zusammenhänge der Sprache erfassen und zur Interpretation von Bedeutungen verwenden.

Mehr lesen
• Grundlagen• Forschung Informed Machine Learning

Informed Machine Learning – Aus Daten und Vorwissen lernen

Von Laura von Rueden17. Februar 2021

Informed Machine Learning macht bestehende Wissensquellen nutzbar und integriert sie in maschinelle Lernverfahren. Damit können Modelle basierend auf Daten und Vorwissen trainiert werden. Unternehmen können so langjähriges Fachwissen gewinnbringend einsetzen.

Mehr lesen
• Grundlagen Aktives Lernen anhand des Captcha Beispiels

Intelligenter Labeln mit Aktivem Lernen

Von Katharina Beckh10. Februar 2021

Mit Aktivem Lernen wird das Annotieren von Daten schneller und kostengünstiger. Die Methode bindet Menschen effizient in den Prozess des Maschinellen Lernens ein und bildet damit ein Sprungbrett für vertrauenswürdige KI.

Mehr lesen
• Grundlagen Mikrochips Lernen

Wenn Mikrochips Lernen lernen

Von Sascha Mücke20. Januar 2021

Mikrochips wie ASICs sind klein, schnell und energiesparend. Vor allem FPGAs sind darüber hinaus sehr flexibel, da sie neu programmierbar sind. Damit sind sie interessante Plattformen für die Entwicklung von ML-Methoden.

Mehr lesen
• Grundlagen Erklärbarkeit der Künstlichen Intelligenz

Warum KI erklärbar sein muss

Von Matthias Jakobs13. Januar 2021

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.

Mehr lesen
• GrundlagenML Basics Maschinelles Lernen in der Praxis - Tools und Tricks

Ready Steady Go: Maschinelles Lernen in der Praxis

Von Katharina Beckh13. Januar 2021

In drei Schritten beschreiben wir das Maschinelle Lernen in der Praxis: das richtige Mindset, ein Beispiel-Prozess mit System und die richtige Werkzeugwahl. Dieser Beitrag bietet einen Einstieg und Hinweise zu Ressourcen.

Mehr lesen
• GrundlagenML Basics Optimierung im Maschinellen Lernen : Gradientenabstieg

Optimierung im Maschinellen Lernen

Von Raphael Fischer13. Januar 2021

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.

Mehr lesen
• GrundlagenML Basics

Welche Arten von Maschinellem Lernen gibt es?

Von Dr. Daniel Trabold13. Januar 2021

Im Maschinellen Lernen gibt es verschiedene Paradigmen, nach denen Algorithmen trainiert werden. Sie unterscheiden sich in der Auswahl der Trainingsdaten und in der Art und Häufigkeit des Feedbacks während der Trainingsphase.

Mehr lesen
• GrundlagenML Basics Maschinen lernen

Wie lernen Maschinen?

Von Raphael Fischer13. Januar 2021

Maschinelles Lernen ist längst zum festen Bestandteil unserer Welt geworden, sie verändert unser Leben und die Gesellschaft. Wir erklären hier die grundlegenden Begriffe und Konzepte dieser neuartigen Technologie.

Mehr lesen
© ML2R – Kompetenzzentrum Maschinelles Lernen Rhein-Ruhr 2022

Datenschutz          Impressum

Go to Top
Diese Website verwendet Cookies, um Ihr Erlebnis zu verbessern. Wir gehen davon aus, dass Sie damit einverstanden sind, aber Sie können sich abmelden, wenn Sie möchten.

Cookie EinstellungenAblehnenAkzeptieren

Weitere Informationen zu Cookies erhalten Sie in unserer Datenschutzerklärung.
Datenschutz & Cookies

Datenschutzübersicht

Die Website verwendet Cookies, um Ihre Erfahrung zu verbessern, während Sie durch die Website navigieren. Von diesen Cookies werden die als notwendig eingestuften Cookies auf Ihrem Browser gespeichert, da sie für das Funktionieren der Grundfunktionen der Website unerlässlich sind. Wir verwenden auch Cookies von Drittanbietern, die uns helfen zu analysieren und zu verstehen, wie Sie diese Website nutzen. Diese Cookies werden nur mit Ihrer Zustimmung in Ihrem Browser gespeichert. Gleichzeitig haben Sie die Möglichkeit, diese Cookies abzulehnen. Das Ablehnen einiger dieser Cookies kann jedoch Auswirkungen auf Ihr Surferlebnis haben.
Notwendige Cookies
immer aktiv
Notwendige Cookies sind absolut notwendig, damit die Website ordnungsgemäß funktioniert. Diese Kategorie umfasst nur Cookies, die grundlegende Funktionalitäten und Sicherheitsmerkmale der Website gewährleisten und speichern keine persönlichen Informationen.
Nicht notwendige Cookies
Alle Cookies, die nicht unbedingt für das Funktionieren der Website notwendig sind und speziell dazu verwendet werden, persönliche Daten der Benutzer über Analysen, Anzeigen oder andere eingebettete Inhalte zu sammeln, werden als nicht notwendige Cookies bezeichnet und werden nur mit Ihrer Zustimmung in Ihrem Browser gespeichert. Gleichzeitig haben Sie die Möglichkeit, diese Cookies abzulehnen. Das Ablehnen einiger dieser Cookies kann jedoch Auswirkungen auf Ihr Surferlebnis haben.
SPEICHERN & AKZEPTIEREN