TensorFlow ist eines der wichtigsten Frameworks im Deep-Learning-Bereich. Die Architektur wurde für Version 2.0 gründlich überarbeitet. Die ausgereifte Veröffentlichung bietet weitreichende Nutzungsmöglichkeiten für das Deep Learning.
Mit dem Maixduino steht eine kostengünstige Platine zur Verfügung, die bei der Mobilisierung von Algorithmen der künstlichen Intelligenz hilft. Dieser Artikel zeigt die Möglichkeiten zur Programmierung des Einplatinencomputers auf.
Jahrelang nur akademische Kuriosität und jetzt in aller Munde: neuronale Netze. Was es damit auf sich hat, wie sie funktionieren und was es dabei zu beachten gilt, erklärt Christoph Henkelmann (DIVISIO GmbH) in seiner Session auf der JAX 2019.
AIOps ist eines der neuesten technologischen Schlagworte, das in der IT-Branche an Fahrt gewinnt. Die Gründe dafür sind vielfältig, eines steht allerdings fest: AIOps ist das Sprungbrett für eine Technologie, die es so zuvor noch nicht gegeben hat – ein echter Künstliche-Intelligenz-Assistent. Dieser beantwortet Fragen auf Augenhöhe mit einem menschlichen Netzwerk-Experten. Er geht außerdem proaktiv Herausforderungen an, die er erkennt.
Das Machine-Learning-Portfolio für Entwickler ist breit und komplex und bietet neben klassischen Algorithmen auch die Möglichkeit, neuronale Netzwerke bei der Lösungsfindung zu nutzen. Eine ebenfalls neue Möglichkeit für Entwickler gibt es im Bereich Oberflächengestaltung. Mit Windows 10 hat Microsoft die Universal Windows Platform (UWP) eingeführt. Kann man nun ML und UWP auch sinnvoll zusammenbringen?
Die Programmiersprache Julia wurde erstmals im Jahr 2012 veröffentlicht. Wir sprachen mit den vier Entwicklern der Sprache, Dr. Viral B. Shah, Dr. Jeff Bezanson, Stefan Karpinski und Prof. Alan Edelman, um herauszufinden, ob Julia ihren hohen Erwartungen gerecht werden konnte. Im Interview gingen sie zudem auf verschiedenste Anwendungsfälle ein, in denen Julia heute zum Einsatz kommt, sowie darauf, wie sich die Sprache im Vergleich zu Python schlägt und wohin die Reise geht.
KI-basierte Anwendungen schicken sich an, die Welt, wie wir sie kennen, nachhaltig zu verändern. Nicht nur an der Oberfläche, sprich den Eingabe- und Ausgabe-Tools für die Kommunikation mit der Maschine, sondern noch viel tiefer, dort, wo automatisierte Entscheidungen mit erheblicher Reichweite getroffen werden. Aber die Intelligenz der Maschinen fällt nicht vom Himmel. Sie müssen trainiert und getestet werden. Das ist alles andere als trivial.
Ticketsysteme, Versionskontrolle, automatische Builds und viele weitere Tools gehören fest zu den Best Practices bei der klassischen Softwareentwicklung. Kommt bei einem Projekt Machine Learning ins Spiel, kommen neue Anforderungen hinzu, die von den bisherigen Tools und Arbeitsweisen nur teilweise abgedeckt werden können. Hier kommt MLflow ins Spiel. Was MLflow ist, was man damit machen kann und was es beim Einsatz zu beachten gibt, expliziert Christoph Henkelmann in seiner Session auf der W-JAX 2019.
Das Machine-Learning-Portfolio für Entwickler ist breit und komplex und bietet neben klassischen Algorithmen auch die Möglichkeit, neuronale Netzwerke bei der Lösungsfindung zu nutzen. Eine ebenfalls neue Möglichkeit für Entwickler gibt es im Bereich Oberflächengestaltung. Mit Windows 10 hat Microsoft die Universal Windows Platform (UWP) eingeführt. Kann man nun ML und UWP auch sinnvoll zusammenbringen?
Ethik ist ein selten beachtetes Thema in der Softwareentwicklung. Das muss sich ändern! Wie Dr. Janina Loh in dieser Keynote von der ML Conference 2019 erklärt, ist Ethik aus dem Bereich der Roboter-Entwicklung keinesfalls wegzudenken, wenn smarte Systeme entstehen und selbst Entscheidungen treffen sollen.
Wie baut man ein neuronales Netz mit TensorFlow 2 auf? Oliver Zeigermann erklärt in diesem Talk von der W-JAX 2019, wie das Low-Level-API funktioniert und was sich verändert, wenn man stattdessen auf Keras setzt. Der Speaker zeigt, wie man dabei ganz ohne Mathematik auskommt!
Bisher wurden Zeitserien-Analysen zumeist mit Standardmethoden der Mathematik ausgeführt. Mit Deep Learning verschieben sich die Grenzen des Möglichen jetzt jedoch. Oleksandr Honchar erklärt die neuen Möglichkeiten in diesem Talk von der ML Conference.
