Suche
Maschinelles Lernen

Eclipse Weekly: Deeplearning4j, EE4J & der Tipp der Woche

Über ein dröges Jahr kann sich die Eclipse Foundation 2017 sicher nicht beschweren. Viele interessante Projekte sind dabei, Wurzeln zu schlagen, zu blühen und zu gedeihen. Das derzeit wichtigste Projekt ist sicher EE4J, bzw. Java EE, weshalb ein Status-Update diese Woche nötig ist. Die Community und das Eclipse-Universum wachsen allerdings auch abseits davon: Einer der interessantesten Neuankömmlinge ist das Projekt Deeplearning4j. Und natürlich gibt es wieder den Eclipse-Tipp der Woche.

Java 10 (?), W-JAX 2017 und die Freiberufler in der IT

Letzte Woche hieß es nicht für uns Redakteure: Willkommen bei W-JAX-Wahnsinn. Neben uns tummelte sich auf der Konferenz auch eine erfreulich große Zahl an Speakern und Teilnehmern. Mitten im Trubel erreichte uns dann noch die Nachricht, dass Oracle sich nun möglicherweise doch von Java 18.3 verabschieden könnte. Java 10 ist wieder im Gespräch – ist Nomen am Ende vielleicht doch Omen?

Machine Learning als Microservice im Docker-Container auf einem Kubernetes-Cluster – say what?

Es ist immer wieder faszinierend zu sehen, wie vielseitig sich Maschinelles Lernen einsetzen lässt. Bei Outfittery unterstützen Algorithmen etwa die Experten dabei, für jeden Kunden das – im wahrsten Sinne des Wortes – passende Teil auszusuchen. Im Interview zur W-JAX 2017 in München erklärt Jesper Richter-Reichhelm, CTO bei der Outfittery GmbH, wie Machine Learning im Unternehmen eingesetzt wird und welche Frameworks sie nutzen. Außerdem beantwortet er die Frage, ob Mensch oder Maschine die besseren Vorschläge macht.

„Die Technologie ist für das Lernen von Machine Learning nicht entscheidend“

Auf der W-JAX 2017 in München dreht sich diese Woche alles um neue Trends und Technologien in der weiten Java-Welt. Dabei darf das Thema Maschinelles Lernen natürlich nicht fehlen. Wir haben mit Kai Wähner, Technology Evangelist bei Confluent, darüber gesprochen wie man den Einstieg in Maschinelles Lernen am besten meistert und was besser die waschechten Data Scientists machen sollten.

„Algorithmen sind weder neutral noch wertfrei“

Gerade bei den Algorithmen des Maschinellen Lernens besteht die Gefahr, dass sich Wertungen und Gewichtungen einschleichen, die so nicht gewollt sind. Dr. Katleen Gabriels, Assistenzprofessorin an der Technischen Universität Eindhoven, plädiert dafür, dass jede Anwendung mit künstlicher Intelligenz einen Ethikkodex braucht. In Ihrer Keynote auf der MLCon wird welchen Stolperfallen sich für Entwickler auftun und wie man diese umgehen kann. Uns gab sie im Interview einen kleinen Vorgeschmack.

Vision/Speech API, TensorFlow & Cloud Machine Learning: So macht Google Maschinen klüger

Die größte Herausforderung in Sachen Deep Learning ist die Skalierbarkeit. Nutzt man einen einzelnen GPU-Server, kann es mitunter vorkommen, dass man Stunden oder gar Tage auf Resultate wartet. In seiner Session von der JAX 2017 stellt Guillaume Laforge, Developer Advocate der Google Cloud Platform, neue Machine Learning Services wie das Cloud Vision API und das Speech API vor, die ohne jegliches Training funktionieren, da sie bereits vortrainiert sind.

Machine Learning in Elasticsearch: Auf der Suche nach Zeitreihen-Anomalien

Das Maschinelle Lernen hält immer mehr Einzug in die Welt der IT. Schon seit geraumer Zeit werden die Ergebnisse der milliardenfachen Suchen bei Google durch Machine Learning verbessert. Wir haben uns mit Shay Banon, CEO von Elastic und Erfinder von Elasticsearch, über Maschinelles Lernen, die wichtigsten Meilensteine von Elasticsearch und den Impact von Machine Learning auf Suchmaschinen unterhalten.

Immer noch Java und Blockchain, Docker und Machine Learning als Neueinsteiger – Top 10 der populärsten JAXenter-Stories

Im August kannten wir, wie auch im Juli schon, nur ein Thema: Java. Die Uhr bis zu den Java 9 und Java EE 8 Releases tickt und das wirkt sich nach wie vor auf die Klickzahlen unserer Leser aus. Zusätzlich berichteten wir vom Planeten Android und sprachen über Blockchain und Docker. Am Ende befassten wir uns noch mit maschinellem Lernen.