Es ist kein Geheimnis, dass Deep Learning bereits eine Revolution in mehreren Wahrnehmungsbereichen wie maschinellem Sehen, Sprachproduktion und Sprachverständnis ausgelöst hat und immer wieder die Grenzen verschiebt. Noch immer wird ein wichtiger Datentyp aber hauptsächlich mit eher gewöhnlichen mathematischen und algorithmischen Routinen verarbeitet. Zu diesem Datentyp gehören Zeitreihen, digitale Signale und sequenzielle Beobachtungen. In diesem Talk von der ML Conference erklärt Oleksandr Honchar, was die Hauptquelle für Zeitreihen sind, wie die „Basis“-Algorithmen dafür aussehen und wie diese verbessert und sogar durch verschiedene neuronale Netzwerkarchitekturen ersetzt werden könnten. Neben den Details der Modelle betrachtet der Speaker auch die typischen Aufgaben, die bei der Arbeit mit Zeitreihen gelöst werden müssen: Klassifikation, Vorhersage, Anomalie-Erkennung, Simulation. Deep Learning kann genutzt werden, um genau diesen Herausforderungen zu begegnen.

Applying Machine Learning online at Scale

by Jon Bratseth (Verizon)

Interpretable Machine Learning – Application to Finance and Banks

by Debjyoti Paul (Amazon)

Deep Learning mit TensorFlow 2

mit Jakob Karalus (Deloitte)

Alles selber lesen war gestern – wie man mit Machine Learning große Textmengen in Erkenntnisse verwandelt

mit Stephanie Fischer und Dr. Christian Winkler (datanizing)

Der Speaker: Oleksandr Honchar
Alex Honchar is developing production-ready AI solutions for small and medium businesses for the last 5 years, giving public speeches in Europe and blogging about ML and AI recent advances. His focus applications are time series analysis, NLP and computer vision in MedTech and Fintech domains. He is co-founder and CTO at Neurons Lab and co-founder and architect at Mawi Solutions. Alex’s mission is to build AI products, that truly outperform human skills or deliver new knowledge that couldn’t be discovered solely with human intellect. He believes that such products should not leave professionals without their jobs, but the opposite – become valuable partners for achieving more ambitious goals.

deep learningmachine learningtime series analysistv