Suche
Neues von den neuronalen Netzen

ML Bulletin: Kunst, Herzkrankheiten und neue Open Source Tools

Melanie Feldmann

© Shutterstock / a-image

Im ML Bulletin wollen wir jeden Monat einen Blick auf die Themen rund um das Maschinelle Lernen werfen. Es geht um konkrete Anwendungen, neue Tools und Trends. Dieses Mal werfen wir einen Blick auf Kunst, Herzkrankheiten und Tools, die den Einstieg in ML vereinfachen sollen.

Kunst und KI

GuidedArtificialArt

Die KI zeichnet, der Mensch sucht aus, welche Variation am besten gefällt (Quelle: https://woutersmeenk.github.io/gaa/index.html)

Künstliche Intelligenzen können nicht nur Go-Spielen, sondern auch Kunst. Der Softwareentwickler Wouter Smeenk hat auf GitHub ein Projekt online gestellt, bei dem ein rekurrentes neurales Netz etwas zeichnet und der Mensch per Klick aussuchen kann welche Variation ihm am besten gefällt. Auf die Auswahl hin zeichnet das Netzwerk weiter und so weiter, und so fort. Wer selbst Kunstexperte spielen möchte kann das auf der dazugehörigen Web-Applikation „Guided Artificial Art“.

Maschinelles Lernen macht neue Einsichten in Moleküle möglich

Lernalgorithmen, die bisher in den Naturwissenschaften zum Einsatz kamen, waren oft noch eher simpel und nicht in der Lage, neue physikalische oder chemische Gesetze zu finden, die ihnen nicht explizit vorgegeben waren. Jetzt haben Forscher der TU Berlin, der Universität Luxembourg und FHI Berlin einen Lernalgorithmus entwickelt, der das Verhalten von komplexen Molekülen aus einer großen Datenbank von quantenchemischen Berechnungen analysieren und dadurch Neues entdecken kann. Dazu haben die Wissenschaftler ein Deep Tensor Neural Network (DTNN) entwickelt, das automatisch eine Repräsentation für Atominteraktionen in Molekülen findet. Das DTNN kann zum Beispiel eine Gruppe von chemischen Molekülen (sogenannte aromatische Ringe) bezüglich ihrer Stabilität neu klassifizieren sowie Moleküle mit außergewöhnlicher elektronischer Struktur identifizieren. „Es ist uns erstmals gelungen, in einer Art Rückwärtsschritt anhand der Vorhersagen, die das Maschinelle Lernen über bestimmte Moleküle macht, Erkenntnisse über die zugrundeliegenden naturwissenschaftlichen Phänomene zu gewinnen“, sagt Prof. Dr. Klaus-Robert Müller, Leiter des Fachgebiets Maschinelles Lernen an der Technische Universität Berlin. Das Paper der Forscher gibt es hier.

ML sagt den Tod voraus

Algorithmen den Tod von Patienten vorhersagen zu lassen klingt auf den ersten Blick etwas makaber, hilft aber Ärzten dabei die bessere Therapien für ihre Patienten zu entwickeln. Forscher des Imperial College London setzten Maschinelles Lernen auf die Daten von Patienten mit Pulmonaler Hypertonie an. Diese Herzkrankheit kann zu Herzversagen und zum Tod führen, wenn sie nicht richtig behandelt wird. Um jedoch die passende Therapie vorzunehmen, müssen die Ärzte wissen, ob die Patienten ein hohes Risiko eines Herzversagens besitzen oder ein eher niedriges. Auf Basis eines 3D-Modells des Herzens sowie Daten aus MRI-Scans und Bluttests kann das ML-System genauer vorhersagen wie lange ein Patient noch zu leben hat als klassische Methoden.

TensorFlow und Keras enger verbandelt

Wem TensorFlow zu kompliziert ist, kann High-Level-Neural-Network-Librarys wie Keras on top nutzen. Keras wird nach Angaben der Keras-Autors und Forschers bei Google Francois Chollet die erste in den Kern von TensorFlow integrierte High-Level-Library. Damit wird es zur Default-API des Machine Learning Tools. Keras ist in Python geschrieben und läuft entweder auf TensorFlow oder Theano. Es erlaubt schnelles Prototyping und kann sowohl mit Convolutional Networks als auch mit Recurrent Networks (sowie Kombinationen der beiden) umgehen. Außerdem läuft es auf CPUs und GPUs.

Kur: Descriptive Deep Learning Tool jetzt Open Source

Das Start-up Deepgram hat sein Deep Learning Tool Kur Open Source gestellt. Das Tool eignet sich für die Analyse von Audiodaten und soll die Zugänglichkeit für Audio-ML-Analysen erhöhen. Ähnlich wie Keras abstrahiert Kur das Entwickeln und Trainieren von Deep-Learning-Modellen. Um Anwender beim Start zu unterstützen, stellt das Unternehmen außerdem zehn Stunden transkribiertes Audiomaterial in Zehn-Sekunden-Schnipseln zur Verfügung. Geplant ist auch eine Plattform, auf der Entwickler ihre Modelle und Datensets miteinander austauschen können.

Maschinelles Lernen mit Spark

Intel hat seine Deep Learning Library BigDL Open Source gestellt. Das Besondere an ihr ist, dass sie auf Spark läuft. Sie nutzt Spark-Cluster für Deep-Learning-Berechnungen und vereinfacht das Laden von großen Datensätzen, die in Hadoop gespeichert sind. Die Library unterstützt die Spark-Versionen 1.5, 1.6 und 2.0 und erlaubt so Deep Learning in bereits existierende Spark-Anwendungen zu integrieren. Sie enthält Methoden Spark RDDs zu BigDL DataSets zu konvertieren und kann direkt in Spark ML Pipelines genutzt werden. BigDL ist in Scala geschrieben und ähnlich aufgebaut wie Torch. Es nutzt eine Tensor-Klasse, welche die Intel MKL Library für Berechnungen nutzt. Die Entwickler behaupten, dass Berechnungen mit BigDL durch den Multi-Thread-Ansatz von MKL um einiges schneller sind als mit Caffe, Torch oder TensorFlow.

Geschrieben von
Melanie Feldmann
Melanie Feldmann
Melanie Feldmann ist seit 2015 Redakteurin beim Java Magazin und JAXenter. Sie hat Technikjournalismus an der Hochschule Bonn-Rhein-Sieg studiert. Ihre Themenschwerpunkte sind IoT und Industrie 4.0.
Kommentare

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.