Skip to main content

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

2021 | OriginalPaper | Buchkapitel

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

verfasst von : Daniel Retkowitz

Erschienen in: Data Science

Verlag: Springer Fachmedien Wiesbaden

share
TEILEN

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.
Literatur
Zurück zum Zitat 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)
Zurück zum Zitat 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
Zurück zum Zitat 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)
Zurück zum Zitat 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)
Zurück zum Zitat 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)
Zurück zum Zitat 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
Zurück zum Zitat 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)
Zurück zum Zitat 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)
Zurück zum Zitat 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)
Zurück zum Zitat 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)
Metadaten
Titel
Datenbasierte Algorithmen zur Unterstützung von Entscheidungen mittels künstlicher neuronaler Netze
verfasst von
Daniel Retkowitz
Copyright-Jahr
2021
DOI
https://doi.org/10.1007/978-3-658-33403-1_13

Premium Partner