Machine Learning muss gar nicht schwer sein: Wer ML.NET schon immer mal ausprobieren wollte, bekommt hier die richtigen Tipps von Thomas Claudius Huber. In diesem Video seines Talks von der BASTA! Spring 2020 zeigt er, welche Möglichkeiten ML.NET bietet.
Der dritte und letzte Teil unserer Artikelserie zu Machine Learning mit ML.NET behandelt den praktischen Einsatz eines ML-Modells. Es wird gezeigt, wie TensorFlow- und ONNX-Modelle z. B. zur Bildklassifizierung mit Hilfe von Deep Learning verwendet werden können.
Am Ende des ersten Teils dieser Serie haben wir erfolgreich eine Preprocessing Pipeline erstellt. An dieser Stelle setzen wir nun an, um unser Machine-Learning-Modell zu trainieren. Dazu schauen wir uns zunächst die Aspekte der Gewichtungen und des Bias an und erfahren anschließend, wie wir mit Hilfe von Evaluierung und Validierung die Aussagekraft unseres Modells optimieren können.
Zuerst einmal die gute Nachricht: Machine Learning wird weder Operator noch Entwickler ersetzen, auch nicht bei erfolgreicher Umsetzung einer AIOps-Strategie. Guy Fighel, General Manager of AI und Vice President of Product Engineering bei New Relic, erklärt im JAXenter-Interview, was genau AIOps eigentlich ist und wie Unternehmen und DevOps-Teams von maschinellem Lernen und künstlicher Intelligenz profitieren können. Er gibt zudem Auskunft über die Rolle von Entwicklern in diesem Prozess und beantwortet die Frage nach der Sicherheit bzw. den Risiken.
Die für die Organisation und das Marketing der 1. und 2. Fußball-Bundesliga verantwortliche Deutsche Fußball Liga (DFL) will ihren Zuschauern und Fans neue, innovative Inhalte bieten. Ein Paradebeispiel hierfür ist die ML-basierte Berechnung der Wahrscheinlichkeit eines Torerfolgs mittels xGoals, eines der Bundesliga Match Facts powered by AWS. Nachdem der erste Teil die Grundlagen des Statistikangebots behandelt hat, wird im Folgenden die zugrundeliegende Cloud-Infrastruktur betrachtet.
Machine Learning erfreut sich einer ungebrochenen Beliebtheit. Allerdings wird es dadurch auch zum beliebten Angriffsziel: David Glavas zeigt in diesem Talk von der ML Conference, welche typischen Angriffe auf ML-Systeme durchgeführt werden und wie man sich darauf einstellen kann.
Das kennt jeder Fußballbegeisterte: Ein Spieler schießt „das Traumtor“ und Publikum sowie Kommentatoren diskutieren sofort, wie schwierig es war, den Treffer zu erzielen. Bisher ließ sich diese Frage aufgrund des Gesehenen nur ungefähr beantworten. Dabei berücksichtigten die Betrachter vielleicht noch zu einem gewissen Grad die Zahl der Verteidiger um den Torschützen, die Position des Torhüters oder den Schusswinkel. Mit den Analysen von xGoals (kurz für „Expected Goals“), eines der Bundesliga Match Facts powered by AWS, lässt sich nun der Grund für das Staunen in Zahlen ausdrücken. xGoals zeigt dem Fußballfan exakt, wie hoch die Wahrscheinlichkeit ist, aus einer spezifischen Situation heraus ein Tor zu erzielen – für jede potenzielle Schussposition auf dem Spielfeld.
Machine Learning und das Black-Box-Problem; Wie kommen selbstlernende Systeme zu ihren Vorhersagen? Auf diese Frage geht Natalie Beyer in diesem Talk von der ML Conference ein und zeigt an einem Beispiel eine mögliche Lösung auf.
Auf dem ML Summit präsentieren Kim Nena Duggen und Oliver Zeigermann einen Workshop über die Anwendung von Maschine Learning im eigenen Projekt. Bereits vor dem Event haben wir mit Oliver Zeigermann darüber geredet, woher man eigentlich weiß, wann sich ein Blick auf Machine Learning lohnt und wie sich die Arbeit damit von anderen IT-Projekten unterscheidet.
Visualisierungen im Code haben in den letzten Jahren erfolgversprechende Innovationen hervorgebracht. Hierzu zählen die durchgehende Integration einiger Spezialtechnologien des Machine-Learning-Mappings wie die Einbindung des Jupyter-Notebook-Formats in VS Code, MS Power BI sowie das Aufrufen von Tensorboard zur Darstellung und Protokollierung der Trainingsergebnisse. Dieser Artikel verdeutlicht, wie weit die Codevisualisierung vorangeschritten ist und wie eigene Projekte davon profitieren.
Die ML Conference Hybrid Edition und die IoT Hybrid Conference finden vom 16. bis 18. November 2020 in München statt – mit dem geballten Fachwissen internationaler Expertinnen und Experten aus den Bereichen Machine Learning, KI, Edge-Devices und mehr. Für beide Konferenzen stehen noch bis morgen Frühbucherrabatte zur Verfügung, z. B. in Form vergünstigter Tickets oder einem gratis Raspberry Pi.
Künstliche Intelligenzen können bereits viel, emotionale Intelligenz gehört aber zumeist noch nicht zu ihren Fähigkeiten. Das könnte sich ändern. Wie weit die Forschung daran ist, erklärt Srividya Rajamani in diesem Talk von der ML Conference.
