Machine Learning

Deep Learning für Echtzeit-Anwendungen mit TensorFlow, Deeplearning4j und H20

Auf der derzeit stattfindenden Machine Learning Conference in München sind die Themen Künstliche Intelligenz und Maschinelles Lernen natürlich im Fokus. Auf der W-JAX 2017 gab es allerdings auch den ein oder anderen Talk aus dem Themengebiet: Kai Wähner, Technology Evangelist bei Confluent, zeigte in seiner Session, wie Deep-Learning-Modelle in Unternehmen genutzt werden können.

Blackbox Neuronales Netz: Wir müssen wieder lernen, die Maschine zu verstehen

Neuronale Netze lernen. Doch oftmals ist es für Menschen nicht ersichtlich, wie ein Neuronales Netz zu seinen Entscheidungen gekommen ist. Dieses „Blackbox“-Problem thematisiert Xander Steenbrugge, Machine-Learning-Experte bei ML6, auf der Machine Learning Conference 2018. Wir haben ihn zum Interview gebeten und fragen nach, welche Möglichkeiten es derzeit gibt, die Entscheidungen Neuronaler Netze dennoch nachzuvollziehen.

Machine Learning: Wie Maschinen lernen, Texte zu verstehen

Tief im Innersten ist Machine Learning ein reines Zahlenspiel. Bis auf wenige Ausnahmen ist die tatsächliche Eingabe in ein ML-Modell immer eine Sammlung von Float-Werten. Dies ist einfach für Bilder, bei denen Pixel nur numerische Farbwerte sind. Doch wie funktionieren ML-Algorithmen bei Wörtern und Buchstaben? Wir haben bei Christoph Henkelmann, ML-Experte bei DIVISIO und Sprecher auf der Machine Learning Conference, nachgefragt, wie man Maschinen dazu bringt, Texte zu verstehen.

Datalore: Eine Webanwendung für Machine Learning

Noch müssen Menschen in den meisten Fällen den Maschinen Daten und deren Interpretation beibringen. Mit der Webanwendung Datalore wollen die Entwickler von JetBrains diesen Schritt zumindest ein wenig vereinfachen. Die Anwendung ist seit Februar in der offenen Beta verfügbar und soll das Erstellen von Berechnungen einfach und kollaborativ machen. Dabei wird unter anderem auf intelligente Vorschläge und inkrementelle Kalkulation gesetzt.

Kubernetes & Apache Spark: Das perfekte Duo für Data Science & Machine Learning

Irgendwann mussten sich die Bereiche Kubernetes bzw. Container und Machine Learning ja treffen. In seinem Artikel erklärt Terry Shea, Chief Revenue Officer bei Kublr, wie man beim Maschinellen Lernen und im Internet of Things von Kubernetes profitieren kann. Schlüsselelement ist dabei die neueste Version von Apache Spark (2.3), die den nativen Support für die Orchestrierungsplattform bereitstellt.

Machine Learning mit Apache Spark: „Ein maschinelles Lernmodell ist nur so gut wie sein Input!“

Zu Beginn des Jahres wurde Apache Spark 2.3 veröffentlicht und bildet einen bedeutenden Meilenstein für das Structured Streaming. Es gab allerdings noch viele weitere, interessante Features, die ebenso wichtig sind. Wir sprachen daher mit Reynold Xin, dem Mitgründer und Chief Architect von Databricks, über die Databricks Runtime und andere Verbesserungen in Apacke Spark 2.3.

Deep Learning: Es ist Zeit für eine Demokratisierung der Technologie

Deep Learning gehört derzeit wohl zu den heißesten Themen im Bereich der Software-Entwicklung. Manche AI-Experten meinen gar, Deep Learning führe zu einer komplett neuen Art von Software, sozusagen einer Software 2.0. Wir haben uns mit Shirin Glander und Uwe Friedrichsen, die beide auf der JAX 2018 eine Einführung in Deep Learning geben, über solche Zukunftsaussichten unterhalten. Außerdem klären wir, wie man heute schon ganz praktisch Deep Learning in eigenen Projekten einsetzen kann.

Comet.ml – Das GitHub für Machine Learning

Der kometenhafte Aufstieg des Machine Learnings bringt immer neue Tools hervor, die Entwickler beim Training ihrer Modelle unterstützen. Eines dieser Tools ist Comet. Mit dem Tool lassen sich nicht nur Modelle nachverfolgen, um sie besser reproduzierbar zu machen, Comet liefert auch Vorschläge für die Optimierung von Modellen, bringt GitHub-Integration und eine Kommentarfunktion.

Machine Learning: „Schritt für Schritt fallen alle moralischen Bedenken!“

Seit Jahren erfreut sich die LEGO Mindstorms Competition auf der JAX einer gigantischen Beliebtheit: Manche Teilnehmer reisen extra hierfür nach Mainz. Im Interview spricht Bernhard Löwenstein, Inhaber von Lion Enterprises und Chef der LEGO Mindstorms Competition, über die diesjährige Aufgabenstellung, Machine Learning und Künstliche Intelligenz. Außerdem erklärt er, warum und wie Kinder und Jugendliche programmatische Problemstellungen anders lösen als Erwachsene.