Machine Learning Chancen und Herausforderungen
|
|
- Ernst Bretz
- vor 5 Jahren
- Abrufe
Transkript
1 Machine Learning Chancen und Herausforderungen Prof. Dr. Stephan Trahasch Hochschule Offenburg
2 Hochschule Offenburg Studierende, 130 Professoren, 300 Mitarbeiter Vier Fakultäten 1. Betriebswirtschaft und Wirtschaftsingenieurwesen 2. Elektrotechnik und Informationstechnik 3. Maschinenbau und Verfahrenstechnik 4. Medien und Informationswesen Forschung: Energie, Medizintechnik, Machine Learning 2
3 Gliederung Was versteht man unter Machine Learning? Wo wird Machine Learning eingesetzt? What s next? 3
4 Aktuelle Meldungen zu Künstlicher Intelligenz 4
5 5
6 KI ist ein Oberbegriff, der mehr als Machine Learning und Deep Learning umfasst. Künstliche Intelligenz Machine Learning Data Science Methoden wie Deep Learning, Reinforcement, SVM, Clustering Data Mining Big Data 6
7 Künstliche Intelligenz und Machine Learning KI in Filmen KI und ML in der Realität bilder/?cmediafile=
8 Machine Learning [Machine Learning is the] field of study that gives the computer the ability to learn without being explicitly programmed. Arthur Samuel, 1959 Problem Analysis Write Programm IF x THEN do IF y THEN do Evaluate Run Analyze Errors 8
9 Machine Learning [Machine Learning is the] field of study that gives the computer the ability to learn without being explicitly programmed. Arthur Samuel, 1959 Data Problem Analysis Write Programm Train ML IF x THEN do Algorithm IF y THEN do Evaluate Run Analyze Errors 9
10 Alter Status Einkommen Job seit Kredit Verwendung Kredit? 46 Verheiratet Hoch Auto ja 54 Verheiratet Mittel Frei ja 25 Ledig Niedrig Auto nein 35 Geschieden Mittel Ausstattung ja 37 Ledig Mittel Auto Data New Data Problem Analysis Train ML Algorithm Model Evaluate Apply Model Analyze Errors Prediction 10
11 Datenselektion und -vorbereitung verursachen hohen Aufwand in ML-Projekten Machine Learning Interpretation Transformation Pattern Preprocessing Selection Preprocessed data n Databases Knowledge Transformed data Selected data 80% 20% 11
12 Arten des Maschinellen Lernens Überwachtes Lernen (Supervised Learning) Ziel: Vorhersage einer Klasse Trainigsdaten mit Features und einem Label (Target Feature) Label kann eine Klasse oder ein numerischer Wert (Regression) sein. Modell soll möglichst gut die tatsächliche Klasse vorhersagen. 57 M yes M no F no M yes F no F no F yes M na M yes M no F ni
13 Arten des Maschinellen Lernens Überwachtes Lernen (Supervised Learning) Unüberwachtes Lernen (Unsupervised Learning) Ziel: Ähnlichkeiten zwischen Daten ermitteln Trainigsdaten mit Features, jedoch keinem Label Modell soll möglichst gut Ähnlichkeiten identifizieren. 57 M yes M no F no M yes F no F no F yes M na M yes M no F ni
14 Arten des Maschinellen Lernens Überwachtes Lernen (Supervised Learning) Unüberwachtes Lernen (Unsupervised Learning) Bestärkendes Lernen (Reinforcement Learning) Ziel: Lerne Strategie, um erhaltene Belohnungen zu maximieren. Indirektes Feedback für die Qualität einer Folge von Aktionen Keine direkte Antwort, sondern nur besser oder schlechter Feedback erfolgt zeitlich verzögert. 14
15 RoboCup "By the year 2050, develop a team of fully autonomous humanoid robots that can win against the human world soccer champion team." (RoboCup Federation) Quelle: Prof. Dr. Dorer Year Location Teams 1997 Nagoya Paris Stockholm Melbourne Seattle Fukuoka Padua Lissabon Osaka Bremen Atlanta Suzhou Graz Singapur Istanbul Mexiko Eindhoven Joao Pessoa ca Hefei ca Leipzig ca Nagoya ca Montreal 15 ca 380
16 Team Magma: Kicken lernen Genetische Algorithmen Distanz Mittelwert Bestes Generationen Quelle: Prof. Dr. Dorer 16
17 Machine Learning Verfahren Klassifikation Regression Clustering Association Pattern Time Series 17
18 Formalisierung des überwachten Lernens am Beispiel Regression Lerne eine Funktion ff xx = yy die die Zielvariable vorhersagt. xx ff xx yy Funktion ff xx wird anhand von gelernten Parametern definiert. ff(xx) = ββ 0 + ββ 1 xx Für das Lernen werden vorliegende Trainingsdaten verwendet. 18
19 Beispiel Regression: Welche Funktion soll man wählen? Wähle ff xx so, dass eine Gütefunktion optimal ist: nn Residual Sum of Squares RRRRRR = ii=1 yy ii yy 2 ii 19
20 Underfitting und Overfitting am Beispiel Regression Obj Θ = LL Θ + Ω(Θ) 20
21 Aufteilung der Daten in eine Trainings-, Validierungs- und Testmenge Training set Model 1 Historic Data Partition Strategy Validation Set Train ff xx Y N = yy Model 2 Model n Predict Optimize Predict True New Data Test Set + Y N - + Final Model - Apply Model
22 Wähle Modell so, dass Fehler klein ist und das Modell gut generalisiert. Predictive Error Error on Test Data Error on Training Data Model Complexity Underfitting Ideal Range for Model Complexity Overfitting 22
23 Supervised Learning: Entscheidungsbäume zur Klassifikation x 1 > 0.5 x x 2 > x 1 > x 1 23
24 Gruppen sind klüger als Einzelne!? Gradient Boosted Decision Trees 24
25 Gradient Boosted Decision Trees The most frequently used tool by data science competition winners: 17 out of 29 winning solutions in kaggle in 2015 used XGBoost Present and Future of KDDCup. Ron Bekkerman (2015): Something dramatic happened in Machine Learning over the past couple of years. It is called XGBoost a package implementing Gradient Boosted Decision Trees that works wonders in data classification. Apparently, every winning team used XGBoost, mostly in ensembles with other classifiers. Most surprisingly, the winning teams report very minor improvements that ensembles bring over a single well-configured XGBoost. 25
26 Deep Learning Revolution A: Geburt, B nach 1 Monat, C nach 3, D nach 4 Monaten Lernen erfolgt durch Bildung neuer Verbindungen zwischen Nervenzellen Verstärkung und Abschwächung von Verbindungen 26
27 Frank Rosenblatt 1958: Neuronales Netzwerk mit einem Perzeptron. xx 1 ww 1 xx 2 ww 2 xx nn ww nn Neuron... Input Processing Output Neuron wird aktiviert, sobald ein Schwellwert erreicht wird. ff xx = +1 if ww ii xx ii bb ii=1 0 else nn 27
28 Maschinelles Lernen vor Deep Learning Input Feature Engineering Klassifizierer Ergebnis SVM, (flaches) neuronales Netz, HMM, (flaches) neuronales Netz, Spracherkennung,... Clustering, HMM, Themenerkennung, maschinelle Übersetzung,
29 Maschinelles Lernen mit Deep Learning Input Klassifizierer Ergebnis Deep Learning Network "Tacker" "Tacker" "Bedienungsanleitung für einen Tacker" nach 29
30 Deep Learning: Beispiel Google Input 10 Mio Bilder (200 x 200 pixel) Learning 1 Mio Gewichte cores 3 Tage and Building High-level Features Using Large Scale Unsupervised Learning, 2012, arxiv: v5 30
31 Convolutional Neural Networks Sweaty will Fußball spielen. Dazu muss er Objekte auf Bildern erkennen. Es ist egal, wo im Bild ein Gegenstand ist. Es soll möglichst egal sein, wie hell es ist. Es soll egal sein, wie der Ball aussieht. Quelle: Prof. Dr. Dorer 31
32 Convolutional Neural Networks Input ist 3D Unser Beispiel: 96x96 Pixel, 3 Kanäle (Red, Green, Blue) Output ist Feature-Vektor (Ball, X-Linie, Roboter, L-Linie, Obstacle) Ball Pfosten Obstacle Input Netzwerk 8 L X T Punkt Fuß Quelle: Prof. Dr. Dorer 32
33 Warum funktioniert Deep Learnig seit einigen Jahren? 34
34 Gliederung Was versteht man unter Machine Learning? Wo wird Machine Learning eingesetzt? What s next? 35
35 Ability to Automate Decisions with Machine Learning Machine Learning Automated Stop fraudulent transaction Adjust production process Time intensive Tactical Define pricing policies Define underwriting policy Operational Make a cross-sell offer Approve credit 1 Year 1 Month 1 Week 1 Day 1 Hour 1 Minute 1 Second Single Decision Make a specific hire Define price for product Short duration Strategic Create a new product line Acquire a company Manual In Anlehnung an Ingo Mierswa 36
36 Machine Learnung durchdringt (fast) alle Geschäftsfelder und unseren Alltag 37
37 Data Insights Competitive advantages ecommerce // 38 Source: Wikiedia (Shinjuku, Tokyo)
38 Uber Trip Clustering 39
39 Predictive Maintenance Use sensor data and log files to predict breakdwons. 40
40 Team Taco Audi Autonomous Driving Cup Wettbewerb für Universitäten und Hochschulen 2015, 2016 aus Deutschland 2017 aus dem deutschsprachigen Raum 2018 aus Europa Alle Teams bestehen aus 5 Mitgliedern erhalten identische Q5 Modelle haben 6 Monate Zeit veröffentlichen ihre Software nach dem Wettbewerb Hochschule Offenburg bisher jedes Mal dabei 2. Platz
41 Herausforderung Objekterkennung - Fußgänger Quelle: Prof. Dr. Dorer 42
42 43
43 Medizin Woebot Labs Inc. 44
44 Quelle: Trailer 45
45 Association Analysis und Recommender Systems 46
46 Gliederung Was versteht man unter Machine Learning? Wo wird Machine Learning eingesetzt? What s next? 47
47 Generative adversarial networks (GANs) 48
48 Generative adversarial networks (GANs) 49
49 Generierung von synthetischen Trainingsdaten Source: and 50
50 Aktuelle Themen und Herausforderungen Forschung End-to-End- Learning AutoML Nachvollziehbarkeit Unternehmen Datenverfügbarkeit und Datenqualität Fokus: Zielsetzung, Rollen, Kommunikation Lab Factory Automatisierung Talente Gesellschaft Diskriminierung durch ML Kontrolle von Algorithmen Erwartungshaltung Datenschutz 51
51 Zielsetzung und Roadmap klären Datenkomplexität Niedrig Hoch #2 Spare Parts #1.1 Predictive Maintenance for Critical Parts #7 Production Quality #1 Predictive Maintenance for Assembly #6 Prizing Niedrig Analytische Komplexität Hoch 52
52 Diskriminierung durch Algorithmen 53
53 Zusammenfassung KI Machine Learning {Deep Learning, Gradient Boosting Trees } Machine Learning is the field of study that gives the computer the ability to learn without being explicitly programmed. Supervised, unsupervised und Reinforcement Learning Underfitting Overfitting Wisdowm of Crowds tabellarische Daten (ERP, CRM ) GBM, SVM Images, Video, Audio Deep Learning Lab Factory Kontrolle von Verfahren 54
54 Prof. Dr. Stephan Trahasch Hochschule Offenburg Badstraße 24 D Offenburg Phone: Forschungsgruppe Analytics & Data Science Projekt Menschen lernen Maschinelles Lernen 55
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
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
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
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
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
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
MehrEmotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited
Emotion Recognition of Call Center Conversations Robert Bosch Engineering and Business Solutions Private Limited 1 Agenda 1 Introduction 2 Problem Definition 3 Solution Overview 4 Why Consider Emotions
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrPredictive Analytics für Dummies. Click here if your download doesn"t start automatically
Predictive Analytics für Dummies Click here if your download doesn"t start automatically Predictive Analytics für Dummies Anasse Bari, Mohamed Chaouchi, Tommy Jung Predictive Analytics für Dummies Anasse
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrKünstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer?
ASQF Automation Day 2018 - Predictive Analytics Künstliche Intelligenz im Maschinen- und Anlagenbau Heilsbringer oder Hypebringer? Vasilij Baumann Co-Founder/Co-CEO vasilij.baumann@instrunext.com +49 931
MehrWE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN
WE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN Bosch-Definition for Industry 4.0 Our Seven Features Connected Manufacturing Connected Logistics Connected Autonomous and Collaborative
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrSupply Chain Management
Supply Chain Management Forecasting Methods Prof. Dr.-Ing. Burkhard Schmager Department of Industrial Engineering EAH Jena Sept 2016 SS 2016 Kapitel 2-1 Material Planning Approaches MRP - methods deterministical
MehrWas denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, Thilo Stadelmann
Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, 20.10.2016 Thilo Stadelmann Was? Wie? Wohin? 1 Was ist passiert? (Eine kurze Geschichte der letzten Monate) 2 3 4 5 6 7 Generierte Sprache
MehrBeating Humans in complex Boardgames
Beating Humans in complex Boardgames Seminar Neueste Trends in Big Data Analytics Universität Hamburg Eike Nils Knopp 18.12.2017 Eike Nils Knopp 1 / 55 Inhalt Historie IBMs Deep Blue IBMs Watson DeepMinds
MehrBio-Inspired Credit Risk Analysis
Bio-Inspired Credit Risk Analysis Computational Intelligence with Support Vector Machines Bearbeitet von Lean Yu, Shouyang Wang, Kin Keung Lai, Ligang Zhou 1. Auflage 2008. Buch. XVI, 244 S. Hardcover
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.
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrEducation Day 2012. Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! Education Day 2012 11.10.
Wissensgold aus Datenminen: wie die Analyse vorhandener Daten Ihre Performance verbessern kann! 11.10.2012 1 BI PLUS was wir tun Firma: BI plus GmbH Giefinggasse 6/2/7 A-1210 Wien Mail: office@biplus.at
MehrFrischer Wind für ein bekanntes Thema Klassifikation 4.0
Frischer Wind für ein bekanntes Thema Klassifikation 4.0 AK Fernerkundung Heidelberg, 4.-5.10.2018 Ruth Leska, GEOSYSTEMS GmbH GEOSYSTEMS ist Ihr Partner für Geo-IT Lösungen und Hexagon Geospatial Platinum
MehrBig-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
MehrCustomer-specific software for autonomous driving and driver assistance (ADAS)
This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs
MehrMachinelles Lernen. «Eine kleine Einführung» BSI Business Systems Integration AG
Machinelles Lernen «Eine kleine Einführung» @ZimMatthias Matthias Zimmermann BSI Business Systems Integration AG «Welcher Unterschied besteht zum Deep Blue Schachcomputer vor 20 Jahren?» AlphaGo Hardware
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
MehrOWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business
OWM Future Inspiration Day 22. März 2017 Artificial Intelligence Bosch is teaching the vehicle how to drive. Rosa Meckseper VP Marketing and Business Strategy Robert Bosch GmbH INTERNET DER DINGE OWM R.
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrTube Analyzer LogViewer 2.3
Tube Analyzer LogViewer 2.3 User Manual Stand: 25.9.2015 Seite 1 von 11 Name Company Date Designed by WKS 28.02.2013 1 st Checker 2 nd Checker Version history Version Author Changes Date 1.0 Created 19.06.2015
MehrPredicting the duration of disruptions in the SBB railway network with RNN
Gabriel Krummenacher Data Science Zühlke Engineering AG Beat Wettstein Research & Innovation SBB AG Predicting the duration of disruptions in the SBB railway network with RNN Predicting disruptions in
MehrÜbersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
MehrAnalyse komplexer Szenen mit Hilfe von Convolutional Neural Networks
Analyse komplexer Szenen mit Hilfe von Convolutional Anwendungen 1 Vitalij Stepanov HAW-Hamburg 24 November 2011 2 Inhalt Motivation Alternativen Problemstellung Anforderungen Lösungsansätze Zielsetzung
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrDeep Blue. Hendrik Baier
Deep Blue Hendrik Baier Themen Matches Deep Blue Kasparov 1996/97 Faktoren von Deep Blues Erfolg Systemarchitektur Search Extensions Evaluationsfunktion Extended Book Vergleichstraining der Evaluationsfunktion
MehrA linear-regression analysis resulted in the following coefficients for the available training data
Machine Learning Name: Vorname: Prof. Dr.-Ing. Klaus Berberich Matrikel: Aufgabe 1 2 3 4 Punkte % % (Bonus) % (Gesamt) Problem 1 (5 Points) A linear-regression analysis resulted in the following coefficients
MehrVergleich von SVM und Regel- und Entscheidungsbaum-Lernern
Vergleich von SVM und Regel- und Entscheidungsbaum-Lernern Chahine Abid Bachelor Arbeit Betreuer: Prof. Johannes Fürnkranz Frederik Janssen 28. November 2013 Fachbereich Informatik Fachgebiet Knowledge
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
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
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrGround Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining
Ground Truth ohne Datenqualität kein Machine Learning. Erfolgsfaktoren für Predictive Analytics, BI und Data Mining Prof. Dr.-Ing. Peter Lehmann Hochschule der Medien Stuttgart GLIEDERUNG Etwas über Machine
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
Mehr(Pro-)Seminar - Data Mining
(Pro-)Seminar - Data Mining Vorbesprechung SCCS, Fakultät für Informatik Technische Universität München SS 2018 Data Mining: Beispiele (1) Hausnummererkennung (Klassikation) Source: http://arxiv.org/abs/1312.6082
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,
MehrIndustrie 4.0 The Impact of Digitization on Sustainable Value Creation
Industrie 4.0 The Impact of Digitization on Sustainable Value Creation INTANGIBLES: THE EUROPEAN STATE OF THE ART 2nd International Policy Conference Frankfurt am Main, 12. September 2017 Professor Dr.
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
MehrMachine Learning. 1. Grundlagen des Machine Learning
Machine Learning 1. Grundlagen des Machine Learning Grundlagen des Machine Learning Begriff Machine Learning Definitionen Machine Learning Formale Definition Machine Learning Aufgaben im Machine Learning
MehrCoaching Agile Development Teams
Coaching Agile Development Teams Josef Scherer Solution Focused Scrum Coach josef.scherer@gmail.com http://agile-scrum.de/ Scherer IT Consulting Freiberuflicher Scrum Coach Lösungsfokussierter Berater
MehrData Science Anwendungen bei innogy Netz & Infrastruktur (G&I)
Data Science Anwendungen bei innogy Netz & Infrastruktur (G&I) - Grid Research and Insights Platform (GRIP) - Essener Energiegespräche 25. Oktober 2018 Philipp Clasen, Freier Mitarbeiter innogy SE 1 Einleitung
MehrChallenges for the future between extern and intern evaluation
Evaluation of schools in switzerland Challenges for the future between extern and intern evaluation Michael Frais Schulentwicklung in the Kanton Zürich between internal evaluation and external evaluation
MehrEngineering the Factory of the Future Now.Next.Beyond. Heiko Schwindt VP Automation & Electrification Solutions, Bosch Rexroth
Engineering the Factory of the Future Now.Next.Beyond. Heiko Schwindt VP Automation & Electrification Solutions, Bosch Rexroth Connect on LinkedIn www.linkedin.com/in/heiko-schwindt-625039140/ 1 "The challenge
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
MehrGrundlagen zu neuronalen Netzen. Kristina Tesch
Grundlagen zu neuronalen Netzen Kristina Tesch 03.05.2018 Gliederung 1. Funktionsprinzip von neuronalen Netzen 2. Das XOR-Beispiel 3. Training des neuronalen Netzes 4. Weitere Aspekte Kristina Tesch Grundlagen
MehrEinführung in NLP mit Deep Learning
Einführung in NLP mit Deep Learning Hans-Peter Zorn Minds mastering Machines, Köln, 26.4.2018 NLP ist auf einmal überall Zusammenfassung aggregated reviews Dokumentklassifikation Übersetzung Dialogsysteme
MehrJava Tools JDK. IDEs. Downloads. Eclipse. IntelliJ. NetBeans. Java SE 8 Java SE 8 Documentation
Java Tools JDK http://www.oracle.com/technetwork/java/javase/ Downloads IDEs Java SE 8 Java SE 8 Documentation Eclipse http://www.eclipse.org IntelliJ http://www.jetbrains.com/idea/ NetBeans https://netbeans.org/
MehrThementisch Anwendungsgebiete und
Thementisch Anwendungsgebiete und b Erfolgsgeschichten KMUs und Big Data Wien 08. Juni 2015 Hermann b Stern, Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center for Data-driven
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrAnalytics Entscheidungsbäume
Analytics Entscheidungsbäume Professional IT Master Prof. Dr. Ingo Claßen Hochschule für Technik und Wirtschaft Berlin Regression Klassifikation Quellen Regression Beispiel Baseball-Gehälter Gehalt: gering
MehrPotentials for Economic Improvement of Die Casting Cells
Potentials for Economic Improvement of Die Casting Cells Potentiale zur Wirtschaftlichkeitsverbesserung in der Druckgiesszelle Patrick Reichen January 14, 2014 source: internet Background Economic efficiency
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
MehrHeavy Equipment Demand Prediction with Support Vector Machine Regression Towards a Strategic Equipment Management
Heavy Equipment Demand Prediction with Support Vector Machine Regression Towards a Strategic Equipment Management Dubai, 04.12.2016 International Conference on Architecture, Materials and Construction
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
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
MehrSupervised & Unsupervised Machine Learning
Machine Learning-Algorithmen in Python mit scikit-learn Machine Learning-Algorithmen in Python mit scikit-learn Kurzbeschreibung Machine Learning-Algorithmen sind ein elementares Element von Künstlicher
MehrBig Data Analytics. Fifth Munich Data Protection Day, March 23, Dr. Stefan Krätschmer, Data Privacy Officer, Europe, IBM
Big Data Analytics Fifth Munich Data Protection Day, March 23, 2017 C Dr. Stefan Krätschmer, Data Privacy Officer, Europe, IBM Big Data Use Cases Customer focused - Targeted advertising / banners - Analysis
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
MehrMatthias Schorer 14 Mai 2013
Die Cloud ist hier was nun? Matthias Schorer 14 Mai 2013 EuroCloud Deutschland Conference 2013 Matthias Schorer Accelerate Advisory Services Leader, CEMEA 29.05.13 2 29.05.13 3 The 1960s Source: http://www.kaeferblog.com/vw-bus-t2-flower-power-hippie-in-esprit-werbung
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
MehrHIR Method & Tools for Fit Gap analysis
HIR Method & Tools for Fit Gap analysis Based on a Powermax APML example 1 Base for all: The Processes HIR-Method for Template Checks, Fit Gap-Analysis, Change-, Quality- & Risk- Management etc. Main processes
MehrIndustrie 4.0 Predictive Maintenance. Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014
Industrie 4.0 Predictive Maintenance Kay Jeschke SAP Deutschland AG & Co. KG., Februar, 2014 Anwendungsfälle Industrie 4.0 Digitales Objektgedächtnis Adaptive Logistik Responsive Manufacturing Intelligenter
Mehr1. Lernen von Konzepten
1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven
MehrBig Data-Ansätze zur Vorhersage intra-urbaner Hitzeinseln
Intra-urbane Hitzeinseln Nationales Fernerkundungsforum Berlin 1 Nationales Forum für Fernerkundung und Copernicus 2018 Copernicus gestaltet Fachsession: Mit Fernerkundung und Copernicus auf dem Weg zur
MehrOnline Learning in Management
43 rd EUCEN Conference 2012 Workshop: Supporting the individual learner in ULLL The Makes and Brakes of Collaborative E-Learning: Online Learning in Management - A case study - Dr. Marion Bruhn-Suhr University
MehrImage: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen
Image: https://pixabay.com/de/netz-netzwerk-programmierung-3706562/ (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?
MehrMash-Up Personal Learning Environments. Dr. Hendrik Drachsler
Decision Support for Learners in Mash-Up Personal Learning Environments Dr. Hendrik Drachsler Personal Nowadays Environments Blog Reader More Information Providers Social Bookmarking Various Communities
MehrExercise (Part V) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part V) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
MehrApplying Pléiades in the ASAP project HighSens
Applying Pléiades in the ASAP project HighSens Highly versatile, new satellite Sensor applications for the Austrian market and International Development (Contract number: 833435) Dr. Eva Haas, GeoVille
MehrDIGICOMP OPEN TUESDAY AKTUELLE STANDARDS UND TRENDS IN DER AGILEN SOFTWARE ENTWICKLUNG. Michael Palotas 7. April 2015 1 GRIDFUSION
DIGICOMP OPEN TUESDAY AKTUELLE STANDARDS UND TRENDS IN DER AGILEN SOFTWARE ENTWICKLUNG Michael Palotas 7. April 2015 1 GRIDFUSION IHR REFERENT Gridfusion Software Solutions Kontakt: Michael Palotas Gerbiweg
MehrHow to develop and improve the functioning of the audit committee The Auditor s View
How to develop and improve the functioning of the audit committee The Auditor s View May 22, 2013 Helmut Kerschbaumer KPMG Austria Audit Committees in Austria Introduced in 2008, applied since 2009 Audit
MehrNumber of Maximal Partial Clones
Number of Maximal Partial Clones KARSTEN SCHÖLZEL Universität Rostoc, Institut für Mathemati 26th May 2010 c 2010 UNIVERSITÄT ROSTOCK MATHEMATISCH-NATURWISSENSCHAFTLICHE FAKULTÄT, INSTITUT FÜR MATHEMATIK
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
MehrBosch Rexroth - The Drive & Control Company
Bosch Rexroth - The Drive & Control Company Alle Rechte bei Bosch Rexroth AG, auch für den Fall von Schutzrechtsanmeldungen. Jede Verfügungsbefugnis, wie Kopier- und Weitergaberecht, bei uns. 1 Case study
MehrVorhersagetechniken für zukünftiges Verhalten von Kunden
IBM 360 Grad-Sicht auf den Kunden: Vorhersagetechniken für zukünftiges Verhalten von Kunden Sven Fessler, sven.fessler@de.ibm.com Solution Architect, IBM Germany Business Analytics & Optimization Das Spektrum
MehrProf. Dr. Lars Schmidt-Thieme. Schüler-Universität, 10. Mai 2012
Können Computer denken? Prof. Dr. Lars Schmidt-Thieme Information Systems and Machine Learning Lab (ISMLL) Institut für Informatik Universität Hildesheim Schüler-Universität, 10. Mai 2012 Lars Schmidt-Thieme,
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrSelbstbild vs. Fremdbild. Selbst- und Fremdwahrnehmung des Individuums (German Edition)
Selbstbild vs. Fremdbild. Selbst- und Fremdwahrnehmung des Individuums (German Edition) Jasmin Nowak Click here if your download doesn"t start automatically Selbstbild vs. Fremdbild. Selbst- und Fremdwahrnehmung
MehrVerteilte Systeme / Kooperierende Roboter
Verteilte Systeme / Kooperierende Roboter Proseminar Anwendungen und Methoden der Modernen Robotik SoSe 2005 Uni Hamburg Claudius Herder, Justus Winter 4herder@informatik.uni-hamburg.de, 4winter@informatik.uni-hamburg.de
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
MehrEin Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten. Click here if your download doesn"t start automatically
Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Click here if your download doesn"t start automatically Ein Stern in dunkler Nacht Die schoensten Weihnachtsgeschichten Ein Stern in dunkler
MehrIst das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben
Ist das Big Data oder kann das weg? Outsourcing ja, aber geistiges Eigentum muss im Unternehmen bleiben Jürgen Boiselle, Managing Partner 16. März 2015 Agenda Guten Tag, mein Name ist Teradata Wozu Analytics
MehrKI, Blockchain, Platform Economy Wahn oder Wirklichkeit im Tourismus? ITB Berlin etravel Lab Day März 2018 von
KI, Blockchain, Platform Economy Wahn oder Wirklichkeit im Tourismus? ITB Berlin 2018 - etravel Lab Day 2 08. März 2018 von 13.00-13.30 Uhr 0 Plattformökonomie 1.0 1 Plattformökonomie 2.0 2 80 Mobile IoT
MehrLearning Linear Ordering Problems for Better Translation
Learning Linear Ordering Problems for Better Translation Roy Tromble, Google Pittsburgh Jason Eisner, Johns Hopkins August 7, 2009 Overview Monotonic translation is easier Construct sentence-specific Linear
MehrMachine Learning & Künstliche Intelligenz
Dr. med. Christina Czeschik Serapion www.serapion.de Machine Learning & Künstliche Intelligenz Eine kurze Einführung Künstliche Intelligenz intelligent nutzen Essen, 08.06.2018 Künstliche Intelligenz Turing-Test
MehrGerhard Svolba, SAS Austria Mannheim, 2. März KSFE
Wie bringe ich 4 unterschiedliche Analytik-Benutzergruppen an einen Tisch? Die Offenheit von SAS Viya ermöglicht eine Analyseplattform für unterschiedliche Benutzertypen Gerhard Svolba, SAS Austria Mannheim,
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
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrMaschinelles Lernen Entwicklung und aktuelle Anwendungen
Maschinelles Lernen Entwicklung und aktuelle Anwendungen martin.loesch@kit.edu (0721) 608 45944 Forschungsrichtungen des ML Praxisorientiert Aufgabenorientierte, lernende Systeme Wissenserwerb (Knowledge
MehrThere are 10 weeks this summer vacation the weeks beginning: June 23, June 30, July 7, July 14, July 21, Jul 28, Aug 4, Aug 11, Aug 18, Aug 25
Name: AP Deutsch Sommerpaket 2014 The AP German exam is designed to test your language proficiency your ability to use the German language to speak, listen, read and write. All the grammar concepts and
MehrExercise (Part XI) Anastasia Mochalova, Lehrstuhl für ABWL und Wirtschaftsinformatik, Kath. Universität Eichstätt-Ingolstadt 1
Exercise (Part XI) Notes: The exercise is based on Microsoft Dynamics CRM Online. For all screenshots: Copyright Microsoft Corporation. The sign ## is you personal number to be used in all exercises. All
Mehr