Künstliche Intelligenz verstehen
Maarten Van den Broeck
Senior Content Developer at DataCamp
Machine Learning: aus Daten lernen und Muster erkennen
Machine Learning: aus Daten lernen und Muster erkennen
Machine Learning: aus Daten lernen und Muster erkennen
Machine Learning: aus Daten lernen und Muster erkennen
Machine Learning: aus Daten lernen und Muster erkennen
Klassifizierung: Ordne jeder Datenbeobachtung einer Kategorie (Klasse) zu
Klassifizierung: Ordne jeder Datenbeobachtung einer Kategorie (Klasse) zu
Überwachtes Lernen: Datenbeschriftung (Beschriftung von Beobachtungen mit a priori bekannter Klasse), um ein Modell zu lernen/trainieren, das Schlussfolgerungen ziehen kann
Regression: Weise jeder Datenbeobachtung basierend auf Eingaben eine Zahl oder Label zu.
Zeitreihenprognose: Vorhersage zukünftiger Werte basierend auf vergangenem Verhalten
Clustering: Untergruppen von Daten mit ähnlichen Merkmalen finden (z. B. k-means-Algorithmus)
Anomalieerkennung: Erkennung abnormaler Datenbeobachtungen, z. B. ungewöhnliche Kartentransaktionen
Erkennung von Assoziationsregeln: Finden gemeinsamer Elemente in Transaktionsdaten
Verstärkendes Lernen: durch Erfahrung (Versuch und Irrtum) lernen, eine komplexe Aufgabe zu meistern
Hochentwickelte Modelle, die auf tiefen neuronalen Netzen basieren: lösen sehr anspruchsvolle Aufgaben, bei denen klassische Modelle an ihre Grenzen stoßen
Lernt aus Daten genau so, wie es ein menschliches Gehirn tun würde
Brauchen viele Daten, um zu lernen: manchmal Millionen von Beobachtungen
Hochentwickelte Modelle, die auf tiefen neuronalen Netzen basieren: lösen sehr anspruchsvolle Aufgaben, bei denen klassische Modelle an ihre Grenzen stoßen
Brauchen viele Daten, um zu lernen: manchmal Millionen von Beobachtungen
Künstliche Intelligenz verstehen