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.
Efficient Transformers
Christoph Henkelmann, DIVISIO
Enhancing Page Visits by Topic Prediction
Dieter Jordens, Continuum Consulting NV
Machine Learning on Edge using TensorFlow
Håkan Silfvernagel, Miles AS
