Ihre zentrale Ressource für fundiertes Wissen zu maschinellem Lernen und praktische Tutorials
Maschinelles Lernen (ML) ist der Teilbereich der künstlichen Intelligenz (KI), der sich auf Algorithmen konzentriert, die Muster von Trainingsdaten „lernen“ und anschließend genaue Rückschlüsse auf neue Daten ziehen können. Dank dieser Mustererkennungsfähigkeit können Modelle des maschinellen Lernens Entscheidungen oder Vorhersagen ohne explizite, fest codierte Anweisungen treffen. Maschinelles Lernen, und insbesondere Deep Learning, ist das A und O für die meisten modernen KI-Systeme.
In diesem umfassenden Handbuch finden Sie eine Sammlung von Inhalten zum maschinellen Lernen, wie z. B. Erläuterungen, Tutorials, Podcast-Episoden und vieles mehr.
Als ersten Schritt sollten Sie die einführenden Erläuterungen zum maschinellen Lernen für ein umfassendes Verständnis erkunden.
Erkunden Sie die grundlegenden Prinzipien von Data Science und Statistik, die ML-Anwendungsfälle ermöglichen.
Feature-Engineering ist der Prozess der Auswahl, Transformation und Erstellung neuer Funktionen aus Rohdaten, um die Leistung von ML-Modellen zu verbessern.
Beim überwachten Lernen werden von Menschen gekennzeichnete Eingabe- und Ausgabedatensätze zum Trainieren von ML-Modellen verwendet.
Nicht überwachtes Lernen analysiert und clustert nicht gekennzeichnete Datensätze, indem es versteckte Muster oder Datensatz-Cluster entdeckt, ohne dass menschliche Eingabe erforderlich ist.
Halbüberwachtes Lernen kombiniert überwachtes und unüberwachtes Lernen, indem sowohl gelabelte als auch nicht gelabelte Daten verwendet werden, um Modelle für Klassifizierungs- und Regressionsaufgaben zu schulen.
Bestärkendes Lernen ermöglicht es einem autonomen Agenten, durch Ausprobieren zu lernen und für seine Aktionen Feedback in Form von Belohnungen oder Strafen zu erhalten.
Deep Learning verwendet mehrschichtige neuronale Netzwerke, sogenannte tiefe neuronale Netzwerke, um die komplexe Entscheidungsfindung des menschlichen Gehirns zu simulieren.
Generative KI kann Originalinhalte wie Text, Bilder, Video, Audio oder Softwarecode als Antwort auf den Prompt oder die Anfrage eines Benutzers erstellen.
Beim Modelltraining wird ein Modell für maschinelles Lernen „unterrichtet“, um die Leistung anhand eines Trainingsdatensatzes von Beispielaufgaben zu optimieren, die für die späteren Anwendungsfälle des Modells relevant sind.
Bibliotheken für maschinelles Lernen sind Sammlungen von vorgefertigtem Code, Funktionen und Werkzeugen, die die Entwicklung und Implementierung von ML-Algorithmen und -Modellen vereinfachen.
MLOps, kurz für Machine Learning Operations, umfasst eine Reihe von Verfahren, die Anwendern dabei helfen sollen, standardisierte Prozesse für die Erstellung und Ausführung von ML-Modellen zu erstellen.
Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ermöglicht es einem Modell, menschliche Sprache durch Computerlinguistik und statistische Techniken zu verarbeiten.
Computer Vision nutzt ML, um Computern und Systemen das „Sehen“ beizubringen, d. h. aussagekräftige Informationen aus digitalen Bildern, Videos und anderen visuellen Eingaben abzuleiten.
Trainieren, validieren, optimieren und implementieren Sie generative KI, Foundation Models und maschinelle Lernfunktionen mit IBM watsonx.ai, einem Studio der nächsten Generation für AI Builder in Unternehmen. Erstellen Sie KI-Anwendungen mit einem Bruchteil der Zeit und Daten.
Setzen Sie KI in Ihrem Unternehmen ein – mit branchenführendem Fachwissen im Bereich KI und dem Lösungsportfolio von IBM an Ihrer Seite.
Erfinden Sie kritische Workflows und Abläufe neu, indem Sie KI einsetzen, um Erfahrungen, Entscheidungsfindung in Echtzeit und den geschäftlichen Nutzen zu maximieren.