Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen
|
|
- Gesche Vogel
- vor 5 Jahren
- Abrufe
Transkript
1 Regellose künstliche Intelligenz Deep Learning - Lernen an Hand von Beispielen EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, Legal Tech Consultant joern@erbguth.ch
2 Agenda Beispiele für den Einsatz von Deep Learning Wie funktioniert Deep Learning? Hands on Deep Learning Grenzen und Probleme Fazit Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #2
3 Algorithmen die besseren Richter? Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #3
4 Precobs Im Einsatz in Bayern, Baden-Württemberg, Schweiz Vorhersage, an welchen Orten vermutlich weitere Delikte geschehen werden Kein Input personenbezogener Daten Einsatzentscheidung treffen Menschen Evaluierung mit gemischten Ergebnissen Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #4
5 Precobs Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #5
6 Automatische Protokollierung Quelle: VoiceScript Technologies, Microsoft Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #6
7 Automatische Protokollierung Quelle: VoiceScript Technologies, Microsoft Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #7
8 Einsatz bei Versicherungen Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #8
9 Einsatz bei Versicherungen Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #9
10 Einsatz im Bereich Recruiting Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #10
11 Deep Learning Künstliche Intelligenz Machine Learning Deep Learning Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #11
12 Wie funktioniert Deep Learning? (1) Neuronales Netz Trainingsdaten Trainingsalgorithmus Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #12
13 Wie funktioniert Deep Learning? (2) A D B E C Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #13
14 Experiment Experiment Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #14
15 Kasuistik Verjährungsfrist beim Werkvertrag abhängig davon, ob Bauwerk ( 634a Abs. 1 BGB) Bauwerk Straßen Wege Pflasterungen Trainingsplätze Kanäle Brücken Windenergieanlagen Gleis- und Steuerungsanlagen für den Bahnbetrieb Gasrohrnetze Abwasserkanäle und anlagen Verkaufscontainer ins Erdreich eingelassenes Schwimmbecken mit Stahlbetonpfosten fundamentierte Hoftoranlage Auf-Dach-Photovoltaikanlage mit dem Boden unmittelbar oder mittelbar verbundene Freiland-Photovoltaikanlage Rohrbrunnen im Erdreich eingemauerter Heizöltank Hochseilgarten Kein Bauwerk im Erdreich nur eingebetteter Heizöltank Anfertigung und Aufstellung eines Grabsteins Aufstellung eines einfachen Gartenbrunnens vorbereitende Erdarbeiten für die Errichtung eines Bauwerks Baureinigungsarbeiten Abriss eines Bauwerks im Boden verankerten Maschendrahtzaun Herstellung und Lieferung von Fertigbauteilen selbst wenn sie für ein konkretes Bauwerk bestimmt sind Quelle: Münchner Kommentar Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #15
16 Hintertreppe zum Recht? Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #16
17 Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, joern@erbguth.ch #17
18 Scheintreffer Wu, Xiaolin & Zhang, Xi. (2016). Automated Inference on Criminality using Face Images. Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #18
19 Trainingsdaten Trainingsdaten Testdaten Validierungsdaten Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #19
20 Diskriminierung Individuelle absichtliche Diskriminierung Bias der bestehenden Entscheidungen Diskriminierung durch unvollständige Trainingsfälle Prinzipieller Bias durch Statistik Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #20
21 (Optische) Täuschungen Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #21
22 Vor- und Nachteile von Deep Learning Vorteile Braucht keine expliziten Regeln. Lernt an Hand von Beispielen Nutzt statistische Korrelationen Lernt schnell auch bei mit Fehlern behafteten Daten Nachteile Keine Kontrolle über die angewandten Regeln System lernt Stereotype Ergebnisse sind statistisch gut, aber nie 100% genau Kann mit neuen Beispielen weiter lernen Behandlung neuer Fallkonstellationen unsicher Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #22
23 Anwendung auf juristische Entscheidungen Deep Learning bietet statistisch gute Ergebnisse Deep Learning arbeitet nicht juristisch Einzelfallgerechtigkeit fehlt Auf Statistik beruhenden Entscheidungen sind problematisch (mit und ohne Deep Learning) Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #23
24 Algorithmen-Analyse und Algorithmen-TÜV Analyse der Trainingsdaten Statistische Analyse der Systeme Analyse von Aktivierungsmustern Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #24
25 Analyse Trainingsdaten Trainingsalgorithmus Neuronales Netz Entscheidungsbaum Regellose künstliche Intelligenz EDV-Gerichtstag 2018, Saarbrücken Jörn Erbguth, #25
26 Vielen Dank für Ihre Aufmerksamkeit! Fragen, Diskussion
EFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrBlockchain, Smart Contract, Distributed Ledger Technology, Technische Grundlagen
Blockchain, Smart Contract, Distributed Ledger Technology, Technische Grundlagen Vorlesungsreihe Critical Legal Tech, Universität Luzern, 30. Oktober 2018 Jörn Erbguth, Consultant Legal Tech, Blockchain,
MehrSEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG. Stefan Langer CIS Universität München Wintersemester 2016/17
SEMINAR KLASSIFIKATION & CLUSTERING EINFÜHRUNG Stefan Langer CIS Universität München Wintersemester 2016/17 stefan.langer@cis.uni-muenchen.de Anmeldung Bereits erfolgt über LSF Falls alternative Email
MehrSIRI, WELCHES STUDIUM PASST ZU MIR? ressourcenmangel
SIRI, WELCHES STUDIUM PASST ZU MIR? ressourcenmangel WER BIN ICH? Gründer & Geschäftsführer Automated Data Integration & Feedback Processing Co-Founder Content Automation Business Angel Eine Agentur für
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?
MehrMachine Learning Das neue 42?
Machine Learning Das neue 42? Fabian Buchert Solution Architect SAS DACH Analytics actual trend topics Citizen Data Scientist Machine Learning Text Analytics Artificial Intelligence Image Recognition Open
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrBig Data. 2.1 Was wirklich neu ist
Big Data 2 Zusammenfassung In diesem Kapitel wird das Phänomen Big Data als zentraler Layer für das AI Business Framework vorgestellt und erklärt (Abb. 2.1). Es widmet sich den Zusammenhängen von Big Data,
MehrIndustrial Data Intelligence Datenbasierte Produktionsoptimierung. Hannover, HMI Peter Seeberg
Industrial Data Intelligence Datenbasierte Produktionsoptimierung Hannover, 26.04.2017 HMI Peter Seeberg Algorithmus Daten Entscheidung Peter Seeberg / Softing, 2016 Copyright 2016 Softing Industrial.
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrTextmining Klassifikation von Texten Teil 2: Im Vektorraummodell
Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil
MehrKünstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen
Künstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen Hendrik Heuer hheuer@uni-bremen.de Bildquelle: Wikipedia - Jan Matejkos Stańczyk Digitalisierungskongress 2018
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen Überblick
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
MehrReinforcement-Learning
Reinforcement-Learning Vortrag von: Fabien Lapok Betreuer: Prof. Dr. Meisel 1 Agenda Motivation Überblick und Probleme von RL Aktuelle Forschung Mein Vorgehen Konferenzen und Quellen 2 Reinforcement Learning
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrNo more people problems
No more people problems Kann KI auch HR? 02. DGFP // Jahrestagung Digitale Trends & Innovationen in HR Tobias Krafft, M.Sc. TU Kaiserslautern Konstituierende Sitzung der Enquete-Kommission Künstliche Intelligenz
MehrMaschinelle Übersetzung
Maschinelle Übersetzung Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com MÜ Ansätze Zwei Dimensionen: Verarbeitungstiefe Art der verwendeten Technik Seite 2 Verarbeitunstiefe Seite
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrBusiness Intelligence & Machine Learning
AUSFÜLLHILFE: BEWEGEN SIE DEN MAUSZEIGER ÜBER DIE ÜBERSCHRIFTEN. AUSFÜHRLICHE HINWEISE: LEITFADEN MODULBESCHREIBUNG Business Intelligence & Machine Learning Kennnummer Workload Credits/LP Studiensemester
MehrKünstliche Intelligenz - eine Anleitung zum Selberbauen
Künstliche Intelligenz - eine Anleitung zum Selberbauen Benedikt Kahmen Künstliche Intelligenz ist jetzt schon um uns herum. Sichtbar und unsichtbar, in Smartphones, an den Finanzmärkten, sogar im Aufzug.
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Niels Landwehr, Jules Rasetaharison, Christoph Sawade, Tobias Scheffer Organisation Vorlesung/Übung, praktische
MehrKünstliche Intelligenz
Künstliche Intelligenz Donnerstag, 18. Oktober 2018, 13:15 bis 17:00 Uhr Auditorium Sihlhof, Zürich Künstliche Intelligenz verändert die Welt, die Wirtschaft, Ihr Unternehmen, Ihre Arbeit. Wie und wo Chancen
MehrNaive Bayes für Regressionsprobleme
Naive Bayes für Regressionsprobleme Vorhersage numerischer Werte mit dem Naive Bayes Algorithmus Nils Knappmeier Fachgebiet Knowledge Engineering Fachbereich Informatik Technische Universität Darmstadt
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
MehrAlgorithmengesetz: Ansätze zur rechtlichen Regelungen fehlerhafter automatisierter Entscheidungen
Algorithmengesetz: Ansätze zur rechtlichen Regelungen fehlerhafter automatisierter Entscheidungen E D V - G e r i c h t s t a g 2 0 1 8 2 0. S e p t e m b e r Prof. Dr. Georg Borges Lehrstuhl für Bürgerliches
MehrUnternehmensprofil. sovanta AG, /17 1 / 20
Unternehmensprofil sovanta AG, 26.06.2018 11/17 1 / 20 sovanta AG Business Apps einfach. intelligent. effizient. simplicity first Gegründet mit dem Ziel das Arbeiten mit Business Software grundlegend zu
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
MehrText Mining. Joachim Schole. Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg. Grundseminar, WS 2014
Text Mining Joachim Schole Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg Grundseminar, WS 2014 Joachim Schole (HAW Hamburg) Text Mining Grundseminar, WS 2014 1 / 26 Agenda
Mehr2018 Cassini Consulting. Künstliche Intelligenz in der Kundenkommunikation
2018 Cassini Consulting Künstliche Intelligenz in der Kundenkommunikation CASSINI CONSULTING DATEN UND FAKTEN Unser Anspruch heißt Guiding ahead: Wir führen Klienten durch Wissensvorsprung in die Zukunft.
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrWie arbeiten Mensch und künstliche Intelligenz in Zukunft zusammen?
Wie arbeiten Mensch und künstliche Intelligenz in Zukunft zusammen? Prof. Dr.-Ing. Ralph Bruder Vizepräsident für Studium, Lehre und wissenschaftlichen Nachwuchs Leiter des Instituts für Arbeitswissenschaft
MehrGeneral Online Research Conference GOR February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany
General Online Research Conference GOR 18 28 February to 2 March 2018, TH Köln University of Applied Sciences, Cologne, Germany Christopher Harms, SKOPOS GmbH & Co. KG Keine Angst vor Ihrem neuen Kollegen,
MehrTechnologien und Chancen Künstlicher Intelligenz. Philipp Kranen, Microsoft Research
Technologien und Chancen Künstlicher Intelligenz Philipp Kranen, Microsoft Research Agenda Was ist künstliche Intelligenz (KI) KI Technologien Das menschliche Gehirn Deep neural networks (DNN) Bilderkennung
MehrMaschinelles Lernen I Einführung. Uwe Reichel IPS, LMU München 22. April 2008
Maschinelles Lernen I Einführung Uwe Reichel IPS, LMU München reichelu@phonetik.uni-muenchen.de 22. April 2008 Inhalt Einführung Lernen Maschinelle Lernverfahren im Überblick Phonetische Anwendungsbeispiele
MehrUniversität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen. Maschinelles Lernen. Tobias Scheffer Michael Brückner
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Maschinelles Lernen Tobias Scheffer Michael Brückner Organisation Vorlesung/Übung, praktische Informatik. 4 SWS. Übung: Mo 10:00-11:30
MehrKünstliche Neuronale Netze und Data Mining
Künstliche Neuronale Netze und Data Mining Catherine Janson, icasus GmbH Heidelberg Abstract Der Begriff "künstliche Neuronale Netze" fasst Methoden der Informationstechnik zusammen, deren Entwicklung
MehrKonzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
MehrIndustrie Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen
Industrie 4.0 - Chance oder Risiko? Martin Botteck Prof. Dr.-Ing. Kommunikationsdienste und -anwendungen Industrielle Revolution, Version 4.0 Der Kongress im Jahr 2015: Worum geht es überhaupt? Kongress
MehrAutomatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten
Automatische Erkennung und Klassifikation von Körperhaltungen und Aktivitäten Dipl.-Ing. Daniel Tantinger Fraunhofer Institut für Integrierte Schaltungen IIS, Erlangen, Deutschland Automatische Erkennung
MehrQuo vadis, Logistik? Mario Dobrovnik. Institut für Transportwirtschaft und Logistik Wirtschaftsuniversität Wien STAND: JUNI 2018
Quo vadis, Logistik? Mario Dobrovnik Institut für Transportwirtschaft und Logistik Wirtschaftsuniversität Wien STAND: JUNI 2018 Agenda 1 2 3 Logistik - Notwendiges Übel oder Wettbewerbsfaktor? Quo vadis,
MehrMethoden, Chancen und Risiken beim Auswerten großer Datenmengen
Methoden, Chancen und Risiken beim Auswerten großer Datenmengen Peter Dauscher Gymnasium am Kaiserdom, Speyer peter dauscher gak speyer de Data-Mining in der Schule - Eine Annäherung
MehrCase-Based Reasoning und anderen Inferenzmechanismen
Case-Based Reasoning und anderen Inferenzmechanismen Daniel Müller 21 April 2006 DM () CBR und Inferenz 21 April 2006 1 / 31 Contents 1 Einleitung 2 Inferenzmechanismen Statistische Verfahren Data Mining
MehrVorstellung eines Verfahrens zur operationell optimalen Auswahl von Korrekturverfahren für die Abflussvorhersage
Vorstellung eines Verfahrens zur operationell optimalen Auswahl von Korrekturverfahren für die Abflussvorhersage Robert Pinzinger, Dr. Bastian Klein, Dennis Meissner, Dmytro Lisniak IHP/HWRP Bundesanstalt
MehrMerkblatt 4. Abgrenzung zwischen Bauvertrag und Kauf-/Liefervertrag
Merkblatt 4 Abgrenzung zwischen Bauvertrag und Kauf-/Liefervertrag Inhalt des Kaufvertrages ( 433 BGB) ist die Verpflichtung zur Übergabe und Übereignung einer bereits vorhandenen Sache gegen Zahlung des
MehrStudierenden- und Prüfungsstatistik : Prüfung der Daten an der Quelle
Studierenden- und Prüfungsstatistik : Prüfung der Daten an der Quelle Forum Hochschulstatistik Düsseldorf 30.8.2005 1 Was schon immer zu beachten war SOS 5.0 : PL des Statistischen Bundesamtes SOS 6.0
MehrInnovative Datenanalyse für die Medizin
Innovative Datenanalyse für die Medizin IDEALearning Intelligent Data Evaluation and Analysis by Machine Learning Dr. Susanne Winter winter:science Technologiezentrum Ruhr Universitätsstr. 142 44799 Bochum
MehrErfüllungstauglichkeit und Verwendungsrisiko des Bauwerks Vortrag bei den 12. Weimarer Baurechtstagen
Erfüllungstauglichkeit und Verwendungsrisiko des Bauwerks Vortrag bei den 12. Weimarer Baurechtstagen Werkvertragsrecht: Mangelbegriff Gesetzeslage: 633 BGB (2) Das Werk ist frei von Sachmängeln, wenn
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
MehrValidation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
MehrDie Bedeutung von Artificial Intelligence und Machine Learning für die Cyber Security. H. Lubich FHNW
Die Bedeutung von Artificial Intelligence und Machine Learning für die Cyber Security H. Lubich FHNW Es fing alles ganz harmlos an 2 Entwicklungsschritte KI Neuronale Netze Selbstlernende Systeme Advanced
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrIndustrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie
Industrie 4.0 zur Sicherstellung der Verfügbarkeit von Produktionseinrichtung in der Gummiindustrie Stefan Saul, Leiter Produktmanagement Service Repair Preventive Maintenance Spare Parts Predictive Maintenance
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
MehrRobustheit in der digitalen und automatisierten Welt. Offenburg, Clarissa Vogelbacher
Robustheit in der digitalen und automatisierten Welt Offenburg, 08.03.2017 Clarissa Vogelbacher Agenda Begrifflichkeiten: Automatisierung und Robustheit Beispiele - warum braucht man robuste Automatisierung?
MehrCybercrime in Social Media Wo lauern die Gefahren, wer schützt mich?
MADKON18 #cybersecurity Cybercrime in Social Media Wo lauern die Gefahren, wer schützt mich? KHK in Antje Marschall / K 35 - Polizeipräsidium Frankfurt am Main PHK André Karsten / Pressestelle - Polizeipräsidium
MehrWie funktioniert automatisierte Übersetzung? Prof. Josef van Genabith (Deutsches Forschungszentrum für Künstliche Intelligenz)
Wie funktioniert automatisierte Übersetzung? Prof. Josef van Genabith (Deutsches Forschungszentrum für Künstliche Intelligenz) 1 Maschinelle Übersetzung (MÜ) Überblick: Warum MÜ: Datenmenge, Qualität und
MehrETHISCHE ASPEKTE BEIM EINSATZ VON KI, MACHINE LEARNING UND DIGITALISIERTEN PROZESSEN HEUTE UND MORGEN
ETHISCHE ASPEKTE BEIM EINSATZ VON KI, MACHINE LEARNING UND DIGITALISIERTEN PROZESSEN HEUTE UND MORGEN KI als Mitarbeiter und Chef in der zukünftigen Arbeitswelt LEITFADEN DURCH DEN VORTRAG Die Entwicklung
MehrKeine Hexerei, sondern Alltag
AI Trendletter Auch Deep Learning macht den Data Scientist nicht obsolet Keine Hexerei, sondern Alltag Meinung von Dr. Andreas Becks Bei der Beschäftigung mit Begriffen wie Künstliche Intelligenz, Cognitive
MehrSchnelles Denken - Maschinelles Lernen mit Apache Spark 2
Schnelles Denken - Maschinelles Lernen mit Apache Spark 2 Heiko Spindler Apache Spark - Components Machine Learning Machine learning explores the construction and study of algorithms that can learn from
MehrProjekt Maschinelles Lernen WS 06/07
Projekt Maschinelles Lernen WS 06/07 1. Auswahl der Daten 2. Evaluierung 3. Noise und Pruning 4. Regel-Lernen 5. ROC-Kurven 6. Pre-Processing 7. Entdecken von Assoziationsregeln 8. Ensemble-Lernen 9. Wettbewerb
MehrInhalt. 4.1 Motivation. 4.2 Evaluation. 4.3 Logistische Regression. 4.4 k-nächste Nachbarn. 4.5 Naïve Bayes. 4.6 Entscheidungsbäume
4. Klassifikation Inhalt 4.1 Motivation 4.2 Evaluation 4.3 Logistische Regression 4.4 k-nächste Nachbarn 4.5 Naïve Bayes 4.6 Entscheidungsbäume 4.7 Support Vector Machines 4.8 Neuronale Netze 4.9 Ensemble-Methoden
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrAnwendungen Künstlicher Intelligenz für Bankdienstleistungen
Anwendungen Künstlicher Intelligenz für Bankdienstleistungen Opentopic ist ein innovatives Startup aus NYC, das Marketinglösungen auf Basis Künstlicher Intelligenz entwickelt und vertreibt Data-driven
MehrIndirekte Vergleiche in der frühen Nutzenbewertung
Dr. Birte Muhsal Dr. Christof Ecker Indirekte Vergleiche in der frühen Nutzenbewertung Learnings aus den ersten viereinhalb Jahren by. Warburgstr. 50. 20354 Hamburg. Deutschland. Telefon: +49 (40) 4 133
MehrEinsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen. Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault
Einsatz von Alterungsmodellen zur Prognose der Zustandsentwicklung von Abwasserkanälen Nicolas Caradot, Hauke Sonnenberg, Pascale Rouault Warum ein Kanalalterungsmodell? TV-Inspektion Manuell (Betreiber)
MehrÜber Kontrolle und Gestaltbarkeit künstlicher Intelligenz
Über Kontrolle und Gestaltbarkeit künstlicher Intelligenz Prof. Dr. Katharina A. Zweig Algorithm Accountability Lab TU Kaiserslautern Wer von Ihnen ist heute schon künstlich intelligent? Digitale Assistenten
MehrIntelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
MehrBring your own Schufa!
Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrUnternehmensprofil. sovanta AG, /17 1 / 20
Unternehmensprofil sovanta AG, 06.09.2018 11/17 1 / 20 sovanta AG Business Apps einfach. intelligent. effizient. simplicity first Gegründet mit dem Ziel das Arbeiten mit Business Software grundlegend zu
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
Mehr5.2 Die Bauhandwerkersicherungshypothek
Seite 5. 5. Voraussetzungen Gem. 648 BGB kann der Unternehmer eines Bauwerks oder eines Teils davon vom Besteller (Bauherrn) die Einräumung einer sog. Sicherungshypothek auf dem Baugrundstück verlangen.
MehrNew Search Engine Technology
New Search Engine Technology Thomas Gravel, im-brain GmbH September 2005 Information sources Combine all sources in one search engine Basic Technology document proactive photonic syntax semantics Unsere
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrParrot v3. für Entscheider
Parrot v3 für Entscheider 1 Die Zeit ist jetzt. Chatbots gehören zweifelsohne zu den aufregendsten Buzzwords der modernen Marketinglandschaft. Viele Unternehmen ho!en, damit junge Zielgruppen dort anzusprechen,
MehrSozialwissenschaftliche Modelle und Daten SoSe 2010
Sozialwissenschaftliche Modelle und Daten SoSe 2010 LS Sozialwissenschaftliche Methodenlehre und Sozialstatistik C. Dudel C. Dudel Sozialwissenschaftliche Modelle und Daten SoSe 2010 1 23 1 Formalia 2
MehrSchwierigkeitsbestimmung von C-Test-Lücken. Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013
Schwierigkeitsbestimmung von C-Test-Lücken Lisa Beinborn Assozierte Doktorandin UKP-DIPF UKP Lab, TU Darmstadt 09 July 2013 Virtualisierung vereinfacht individuelle Förderung Anpassung von Lernmaterialien
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
MehrEinführung Beispiele Fazit Links. OpenNLP. Nico Beierle, Irina Glushanok
OpenNLP Nico Beierle, Irina Glushanok 15.11.2012 1 / 21 Inhaltsverzeichnis 1 Einführung Allgemeines Möglichkeiten Installation 2 Beispiele Tools auf Kommandozeile Tokenizer Name Finder Training My Model
MehrMit Chatbots den Service Desk optimieren. Michael Kuschke, Materna GmbH
Mit Chatbots den Service Desk optimieren Michael Kuschke, Materna GmbH Inhalte. Hype-Themen Artificial Intelligence, Cognitive Computing, Machine Learning und Chatbot Chatbot Was ist das? Wo braucht man
MehrNeuronale Netze in der Phonetik: Grundlagen. Pfitzinger, Reichel IPSK, LMU München {hpt 24.
Neuronale Netze in der Phonetik: Grundlagen Pfitzinger, Reichel IPSK, LMU München {hpt reichelu}@phonetik.uni-muenchen.de 24. Mai 2006 Inhalt Einführung Maschinelles Lernen Lernparadigmen Maschinelles
MehrPlanungsansätze aus der Künstlichen Intelligenz
Planungsansätze aus der Künstlichen Intelligenz Seminarvortrag Eingereicht von Betreuender Professor: Betreuender Assistent: Felix Heitbrock Matrikelnummer: 4013238 Prof. Dr.-Ing. Andreas Terstegge Dipl.-Inform.
MehrDeep Learning auf dem Weg zu (selbst-)lernenden Maschinen?
Deep Learning auf dem Weg zu (selbst-)lernenden Maschinen? OCG Horizonte, Wien, 19.6. 2017 Stefan Strauß Deep Learning the next big (data) thing? DL=Representation-learning methods with multile layers
MehrAccountability in Algorithmic. Decision Making.
Accountability in Algorithmic Decision Making Vural Mert, Larcher Daniel 1. Juni 2016 Zusammenfassung Diese Seminararbeit gibt einen kurzen Überblick über die Algorithmische Entscheidungsfindung, deren
MehrGrundlagen Neuronaler Netze
Grundlagen Neuronaler Netze Neuronen, Aktivierung, Output, Netzstruktur, Lernziele, Training, Grundstruktur Der Begriff neuronales Netz(-werk) steht immer für künstliche neuronale Netzwerke, wenn nicht
Mehr