nach oben

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Erschienen in:

Kapitel lesen Erstes Kapitel lesen

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

Einloggen, um Zugang zu erhalten

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.

Vorheriges Kapitel Fortgeschrittene Verfahren zur Analyse und Datenexploration, Advanced Analytics und Text Mining

Nächstes Kapitel Künstliche Neuronale Netze – Aufbau, Funktion und Nutzen

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)

Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., et al.: Language Models are Few-Shot Learners. (2020) https://arxiv.org/pdf/2005.14165

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

Chicco, D.: Ten quick tips for machine learning in computational biology. BioData Mining 10(1), 35 (2017). London, UK: BioMed Central (BMC). https://doi.org/10.1186/s13040-017-0155-3 CrossRef

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)

Fayyad, U., Piatetsky-Shapiro, G., Smyth, P.: From Data Mining to Knowledge Discovery in Databases. AI Magazine 17(3), 37 (1996). Palo Alto, CA, USA: Association for the Advancement of Artificial Intelligence (AAAI). https://doi.org/10.1609/aimag.v17i3.1230 CrossRef

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)

Holzinger, A.: Explainable AI (ex-AI). Informatik Spektrum 41(2), Heidelberg: Springer. S. 138–143 (2018). https://doi.org/10.1007/s00287-018-1102-5 CrossRef

IEEE: Ethically Aligned Design. Prioritizing Human Wellbeing with Autonomous and Intelligent Systems. New York, NY, USA: Institute of Electrical and Electronics Engineers (IEEE). (2019)

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

Lake, B.M., Ullman, T.D., Tenenbaum, J.B., Gershman, S.J.: Building machines that learn and think like people. The Behavioral and brain sciences 40, e253 (2017). Cambridge, UK: Cambridge University Press. https://doi.org/10.1017/S0140525X16001837 CrossRef

LeCun, Y., Bengio, Y., Hinton, G.: Deep learning. Nature 521(7553), 436–444 (2015). London, UK: Nature Research. https://doi.org/10.1038/nature14539 CrossRef

Nguyen, G., Dlugolinsky, S., Bobák, M., Tran, V., López García, Á., Heredia, I., et al.: Machine Learning and Deep Learning frameworks and libraries for large-scale data mining: a survey. Artif Intell Rev 52(1), 77–124 (2019). Berlin: Springer Nature. https://doi.org/10.1007/s10462-018-09679-z

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)

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)

Saake, G., Sattler, K.-U.: Algorithmen und Datenstrukturen. Eine Einführung mit Java. 5., überar. Aufl. dpunkt.verlag, Heidelberg (2014)

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)

Wu, N., Phang, J., Park, J., Shen, Y., Huang, Z., Zorin, M., et al.: Deep Neural Networks Improve Radiologists’ Performance in Breast Cancer Screening. IEEE Trans. Med. Imaging 39(4). New York, NY, USA: Institute of Electrical and Electronics Engineers (IEEE). S. 1184–1194 (2020). https://doi.org/10.1109/TMI.2019.2945514 CrossRef

Titel: Datenbasierte Algorithmen zur Unterstützung von Entscheidungen mittels künstlicher neuronaler Netze
verfasst von: Daniel Retkowitz
Verlag: Springer Fachmedien Wiesbaden
Buch: Data Science
Print ISBN: 978-3-658-33402-4

Electronic ISBN: 978-3-658-33403-1

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-658-33403-1_13

Springer Professional

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

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

Zusammenfassung

Premium Partner

Springer Professional

Tipp

Weitere Kapitel dieses Buchs durch Wischen aufrufen

Zusammenfassung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Premium Partner