Python-basierte Frameworks wie TensorFlow und scikit-learn dominieren zurzeit den Machine-Learning-(ML-) und Artificial-Intelligence-(AI-)Bereich. Doch auch Deeplearning4j kann im Framework-Wettbewerb mithalten, sagt Christoph Henkelmann und zeigt in seiner Session auf der JAX 2018, was DL4J alles zu bieten hat.

Microsoft liebt Machine Learning unter anderem deshalb, weil es einen Continuous Revenue Stream darstellt: Nutzt ein Entwickler Azure beispielsweise zur Bildverschlagwortung, so überweist er die nächsten Jahre jeden Monat Geld nach Redmond. Apress liefert nun ein Lehrbuch, das Ihnen Werkzeuge zum Nachbauen einiger Cloudfunktionen verspricht.

Dieser Artikel zeigt in zwei Teilen, wie man in kürzester Zeit den Einstieg in Deeplearning4j (DL4J) schafft. Anhand eines Beispiels, in dem vorhergesagt werden soll, ob ein Kunde seine Bank verlassen wird, wird jeder Schritt eines typischen Arbeitsablaufs betrachtet. Dieser Teil widmet sich dem Training und der Verwendung des Modells und wirft einen Blick über den Schnelleinstieg hinaus.

Das McKinsey Global Institute hat Europa einen AI Gap bescheinigt, da es in Bezug auf KI-Technologien den USA und China wirtschaftlich hinterherhinkt. Was sind die Ursachen und kann Europa noch aufholen?

Die Deep Learning Toolbox Ludwig von Uber ist Open Source. Mit ihr soll es auch ohne Programmierkenntnisse möglich sein, mit Deep Learning zu arbeiten.

Dopamine 2.0 ist da. Die neue Version des Frameworks für Reinforcement Learning bietet schnelleres Training von Dopamine-Agenten. Support für mehr Kontrollumgebungen ist ebenfalls in der neuen Version enthalten.

Datenanalyse ist eine der wichtigsten Kompetenzen, wenn es darum geht, den Erkenntnisgewinn zu steigern und Wettbewerbsvorteile auszubauen. Von einer konkreten Fragestellung bis zur Darstellung eines aussagekräftigen Ergebnisses ist es jedoch ein weiter Weg. Welche Aufgaben sind mit einem typischen Analyse-Prozess verbunden? Welche Stufen der Analyse gibt es? Welche Methoden und Abläufe kommen zum Einsatz, um den Analyse-Prozess umzusetzen? Welche Kompetenzen benötigt ein Analyse-Team? Neben Antworten auf diese Fragen präsentiert der folgende Artikel, welche Architekturen und Technologien für die Implementierung von Predictive-Analytics-Komponenten infrage kommen. Beispiele aus einem konkreten Anwendungsfall, der Analyse von Daten aus Ladeparks, illustrieren die vorgestellten Konzepte und Methoden.

Basierend auf dem State of the Octoverse Report 2018 fördert GitHub neue Daten zum Thema Machine Learning in GitHub-Repositories zutage. Wir präsentieren die Ergebnisse und verraten, welche Programmiersprache im Bereich Machine Learning das Rennen macht.

AWS hat das Open-Source-Tool Neo-AI auf GitHub veröffentlicht. Es besteht aus dem Quellcode von Amazon SageMaker Neo, einem Teil des Machine-Learning-Service SageMaker, und soll das Deployment von KI-Modellen in IoT-Netzwerken verbessern.

Dieser Artikel zeigt in zwei Teilen, wie man in kürzester Zeit den Einstieg in Deeplearning4j (DL4J) schafft. Anhand eines Beispiels, in dem vorhergesagt werden soll, ob ein Kunde seine Bank verlassen wird, wird jeder Schritt eines typischen Arbeitsablaufs betrachtet. Der erste Teil befasst sich mit den Grundlagen bzw. Vorrausetzungen, um die ersten Schritte im Umgang mit Deeplearning4j meistern zu können.

Die Apache Software Foundation hat die Veröffentlichung von Apache Hadoop 3.2.0 bekannt gegeben. Das Open-Source-Framework für Big Data enthält einige neue Features mit dem Fokus auf Deep Learning.

Sprachassistenten gelten als die kleinen, intelligenten Helfer im Alltag. Und seit mehr als zwei Jahren wird über die Zukunft von Alexa, Google, Siri oder Cortana diskutiert. Wir haben uns mit Jan Wolter, General Manager bei Applause EU, über die Nutzung von Sprachassistenten unterhalten, welche Probleme es dabei gibt und welches Potenzial tatsächlich in dieser Technologie steckt.

„Jeder Fehler, aus dem wir lernen, ist ein Erfolg.“ heißt ein Zitat von Malcolm S. Forbes. So ist es kein Wunder, dass ein Video über Code-Katastrophen und Programmier-Fails zu den meist geklickten Beiträgen der letzten Woche gehört. Außerdem in unserem Wochenrückblick: die wichtigsten Trends der digitalen Transformation, eine Einführung in Vaadin 10 und das Leak des Android 10 Q – samt Quickvote zum Codenamen.

Ab sofort können mobile GPUs in TensorFlow Lite getestet werden. Das neue Feature steht in einer Developer Preview zur Verfügung.

Auch im Jahr 2019 ist die Digitale Transformation noch ein Kernthema im Unternehmensumfeld. Besonderes Augenmerk liegt hierbei allerdings nicht mehr allgemein auf dem „Sprung ins digitale Zeitalter“, womit ursprünglich ja die grundlegende Unterstützung der Arbeitsprozesse durch den Computer gemeint war. Stattdessen geht es immer mehr um Möglichkeiten, den Computer in Form von Machine Learning und intelligenter Automatisierung die Arbeit nicht nur zu unterstützen, sondern möglich gleich selbst machen zu lassen. Was in diesem Jahr (und darüber hinaus) wichtig wird, bespricht Dirk Pohla, Director für die DACH-Region der Appian Software Deutschland GmbH, in diesem Artikel.

Als Storage-Plattform für Machine Learning soll Feast den Austausch von Features und Daten zwischen verschiedenen Entwickler-Teams erleichtern.

Welche IT-Themen werden 2019 wichtig? Wir haben Laurent Bride dazu befragt, was sich in der IT-Welt tun wird: Fragen zu Datenschutz, Open Source, der Cloud und Machine Learning.

Das TensorFlow-Team gibt einen Ausblick auf TensorFlow 2.0. Die neue Version soll leichter zu verwenden sein und neue Features bieten. Der Umstieg zu TensorFlow 2.0 wird mit Updates und Tools unterstützt werden.

Machine Learning hat gerade in Bezug auf Entscheidungs- und Optimierungsprozesse großes Potenzial. Dennoch gibt es auch typische Problemstellungen, die die Umsetzung erschweren können. In seiner Session auf der JAX 2018 identifiziert Harald Bosch typische Problemstellungen anhand eines konkreten Beispiels und zeigt Lösungen dafür auf.

In seiner Session auf der JAX 2018 erklärt Christoph Henkelmann, welchen Einfluss große Datenmengen und Machine Learning auf die Softwarearchitektur, das Projektmanagement, Arbeitsabläufe im Team und die Projektinfrastruktur vom CI-System bis zum Deployment haben kann.