Deep Learning

Neuronale Netze und Modellbewertung

Wie rechnet ein künstliches Neuron, und wie lernt ein Netz aus vielen davon? Der Artikel erklärt das Perzeptron mit Eingaben, Gewichten, Bias und Aktivierungsfunktion, die Lernregel, mehrschichtige Netze mit Eingabe-, verdeckten und Ausgabeschichten sowie das Training mit Backpropagation. Er zeigt, warum sich neuronale Netze und besonders Convolutional Neural Networks für Bilder eignen und wie ein Random Forest mehrere Entscheidungsbäume abstimmen lässt. Zum Schluss geht es darum, wie gut ein Modell ist: Konfusionsmatrix, Accuracy, Sensitivity und Precision und der Vergleich von Modellen.

Grundlagen des maschinellen Lernens: Lernarten, Trainings- und Testdaten, CRISP-DM

Was unterscheidet künstliche Intelligenz, maschinelles Lernen und Deep Learning? Der Artikel erklärt, wie ein Modell aus Beispieldaten lernt (Merkmale und Zielwert), welche Lernarten es gibt (überwacht, unüberwacht, bestärkend) und welche Aufgaben sich damit lösen lassen (Klassifikation, Regression, Clustering). Er zeigt, wie Daten aufbereitet werden, warum man Trainings- und Testdaten trennt, woran man Overfitting erkennt und wie man ein Modell beurteilt. Zum Schluss geht es um den Ablauf eines Projekts zum maschinellen Lernen und das Vorgehensmodell CRISP-DM.