Was kostet meine Sonderanfertigung? Diese und andere Faktoren sind essenziell für die Kaufentscheidung für einen bestimmten Hersteller. Für letzteren ist die Kalkulation jedoch zeitaufwendig. Maschinelles Lernen kann diesen Prozess enorm beschleunigen.
Mithilfe von Object-Detection-Verfahren können Maschinen darauf trainiert werden, Objekte zu erkennen und zu verorten. In diesem Beitrag geben wir einen Überblick über dieses Teilgebiet der Computer Vision.
GraphSAGE ist ein leistungsstarkes ML-Verfahren, das zur Analyse großskaliger und dynamisch wachsender Daten mit Graphstruktur verwendet wird. Wie genau funktioniert die Methode, mit deren Hilfe sich personalisierte Empfehlungen ausspielen lassen?
Soziale Netzwerke sind heutzutage allgegenwärtig. Doch wie können mit Hilfe von Neuronalen Netzen Informationen aus ihnen gewonnen werden? Um diese Frage zu beantworten, stellen wir das Graph Attention Network vor.
Zahlreiche alltägliche Strukturen lassen sich als Graph darstellen. Graph Neural Networks nutzen deren Aufbau, um Informationen von benachbarten Knoten zu sammeln und in Graphen die Beziehungen von Objekten untereinander zu analysieren.
Große Datenmengen sind bei der Berechnung von ML-Algorithmen problematisch. Eine Lösung liegt in Dimensionsreduktionsverfahren wie der Linearen Diskriminanzanalyse (LDA), sie reduziert die Anzahl der Daten-Merkmale unter Berücksichtigung der vorhandenen Klassen Labels.
Die Support Vector Machine ist eine häufig verwendete Methode zum überwachten Lernen, welche insbesondere Anwendung in der Klassifikation von Bild- und Textdaten findet. Dieser Beitrag geht auf ihre Funktionsweise ein.
Die Recherche zur Fallbearbeitung nimmt einen Großteil der Arbeitszeit von Jurist*innen in Anspruch. Durch den Einsatz von speziellen Machine-Learning-Methoden, wie dem Question Answering, kann dieser Aufwand reduziert werden.
Für die Feiertage haben wir ein paar Lesetipps zusammengestellt. Der ML2R-Blog wird im neuen Jahr mit interessanten Beiträgen rund um Künstliche Intelligenz und Maschinelles Lernen zurück sein.
