Skip to main content
Top

Hint

Swipe to navigate through the chapters of this book

2021 | OriginalPaper | Chapter

13. Datenbasierte Algorithmen zur Unterstützung von Entscheidungen mittels künstlicher neuronaler Netze

Author : Daniel Retkowitz

Published in: Data Science

Publisher: Springer Fachmedien Wiesbaden

share
SHARE

Zusammenfassung

Künstliche neuronale Netze sind eines der aktuell vielversprechendsten Gebiete im Bereich der Künstlichen Intelligenz und des maschinellen Lernens. Sie finden in immer mehr Bereichen Anwendung und versprechen damit, einen wesentlichen Beitrag im Zuge der Digitalisierung in Unternehmen zu leisten. Künstliche neuronale Netze sind dabei ein Ansatz, aus Beispieldaten zu „lernen“ und auf diese Weise maschinelle Entscheidungsfindung und Bewertung in unterschiedlichsten Bereichen zu ermöglichen. Die Bandbreite reicht von unterstützenden Systemen bis hin zu einer vollständigen Automatisierung. Ein wesentlicher Unterschied zu klassischen Softwarelösungen liegt darin, dass zuvor kein spezifisches, schrittweises Lösungsverfahren mit festen Regeln entwickelt werden muss. Künstliche neuronale Netze haben daher einen starken Einfluss auf die Art und Weise wie Software zukünftig entwickelt wird.
Literature
go back to reference Baylor, D., Haas, K., Katsiapis, K., Leong, S., Liu, R., Menwald, C. et al.: Continuous Training for Production ML in the TensorFlow Extended (TFX) Platform. In: Proceedings of the 2019 USENIX Conference on Operational Machine Learning (OpML ’19). Berkeley, CA, USA: The USENIX Association. S. 51–53 (2019) Baylor, D., Haas, K., Katsiapis, K., Leong, S., Liu, R., Menwald, C. et al.: Continuous Training for Production ML in the TensorFlow Extended (TFX) Platform. In: Proceedings of the 2019 USENIX Conference on Operational Machine Learning (OpML ’19). Berkeley, CA, USA: The USENIX Association. S. 51–53 (2019)
go back to reference Cheng, H.-T., Haque, Z., Hong, L., Ispir, M., Mewald, C., Polosukhin, I., et al.: TensorFlow Estimators: Managing Simplicity vs. Flexibility in High-Level Machine Learning Frameworks. In: Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’17). New York, NY, USA: Association for Computing Machinery (ACM). S. 1763–1771 (2017). https://​doi.​org/​10.​1145/​3097983.​3098171 Cheng, H.-T., Haque, Z., Hong, L., Ispir, M., Mewald, C., Polosukhin, I., et al.: TensorFlow Estimators: Managing Simplicity vs. Flexibility in High-Level Machine Learning Frameworks. In: Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ’17). New York, NY, USA: Association for Computing Machinery (ACM). S. 1763–1771 (2017). https://​doi.​org/​10.​1145/​3097983.​3098171
go back to reference Dwarakanath, A., Ahuja, M., Sikand, S., Rao, R. M., Bose, R. J. C., Dubash, N., Podder, S.: Identifying implementation bugs in machine learning based image classifiers using metamorphic testing. In: ISSTA’18. Proceedings of the 27th ACM SIGSOFT International Symposium on Software Testing and Analysis. New York, NY, USA: Association for Computing Machinery (ACM). S. 118–128 (2018) Dwarakanath, A., Ahuja, M., Sikand, S., Rao, R. M., Bose, R. J. C., Dubash, N., Podder, S.: Identifying implementation bugs in machine learning based image classifiers using metamorphic testing. In: ISSTA’18. Proceedings of the 27th ACM SIGSOFT International Symposium on Software Testing and Analysis. New York, NY, USA: Association for Computing Machinery (ACM). S. 118–128 (2018)
go back to reference Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., et al.: Generative Adversarial Nets. In: Proceedings of the 27th International Conference on Neural Information Processing Systems - Volume 2 (NIPS’14). Cambridge, MA, USA: MIT Press. S. 2672–2680 (2014) Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., et al.: Generative Adversarial Nets. In: Proceedings of the 27th International Conference on Neural Information Processing Systems - Volume 2 (NIPS’14). Cambridge, MA, USA: MIT Press. S. 2672–2680 (2014)
go back to reference IEEE: Ethically Aligned Design. Prioritizing Human Wellbeing with Autonomous and Intelligent Systems. New York, NY, USA: Institute of Electrical and Electronics Engineers (IEEE). (2019) IEEE: Ethically Aligned Design. Prioritizing Human Wellbeing with Autonomous and Intelligent Systems. New York, NY, USA: Institute of Electrical and Electronics Engineers (IEEE). (2019)
go back to reference Karras, T., Laine, S., Aila, T.: A Style-Based Generator Architecture for Generative Adversarial Networks. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, S. 4396-4405, New York, NY, USA: Institute of Electrical and Electronics Engineers (IEEE). (2019) https://​doi.​org/​10.​1109/​CVPR.​2019.​00453 Karras, T., Laine, S., Aila, T.: A Style-Based Generator Architecture for Generative Adversarial Networks. In: 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2019, S. 4396-4405, New York, NY, USA: Institute of Electrical and Electronics Engineers (IEEE). (2019) https://​doi.​org/​10.​1109/​CVPR.​2019.​00453
go back to reference Planche, B., Andres, E.: Hands-on computer vision with TensorFlow 2. Leverage deep learning to create powerful image processing apps with TensorFlow 2.0 and Keras. Birmingham, UK: Packt Publishing. (2019) Planche, B., Andres, E.: Hands-on computer vision with TensorFlow 2. Leverage deep learning to create powerful image processing apps with TensorFlow 2.0 and Keras. Birmingham, UK: Packt Publishing. (2019)
go back to reference Raghavan, M., Barocas, S., Kleinberg, J., Levy, K.: Mitigating Bias in Algorithmic Hiring: Evaluating Claims and Practices. In: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT* ’20). S. 469–481. New York, NY, USA: Association for Computing Machinery (ACM). (2020) Raghavan, M., Barocas, S., Kleinberg, J., Levy, K.: Mitigating Bias in Algorithmic Hiring: Evaluating Claims and Practices. In: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency (FAT* ’20). S. 469–481. New York, NY, USA: Association for Computing Machinery (ACM). (2020)
go back to reference Saake, G., Sattler, K.-U.: Algorithmen und Datenstrukturen. Eine Einführung mit Java. 5., überar. Aufl. dpunkt.verlag, Heidelberg (2014) Saake, G., Sattler, K.-U.: Algorithmen und Datenstrukturen. Eine Einführung mit Java. 5., überar. Aufl. dpunkt.verlag, Heidelberg (2014)
go back to reference Wirth, R., Hipp, J.: CRISP-DM: Towards a Standard Process Model for Data Mining. In: Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. Blackpool, Lancashire, UK: Practical Application Company. S. 29–39 (2000) Wirth, R., Hipp, J.: CRISP-DM: Towards a Standard Process Model for Data Mining. In: Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. Blackpool, Lancashire, UK: Practical Application Company. S. 29–39 (2000)
Metadata
Title
Datenbasierte Algorithmen zur Unterstützung von Entscheidungen mittels künstlicher neuronaler Netze
Author
Daniel Retkowitz
Copyright Year
2021
DOI
https://doi.org/10.1007/978-3-658-33403-1_13

Premium Partner