nach oben

Erschienen in:

2020 | OriginalPaper | Buchkapitel

2. Machine Learning

verfasst von : Phil Wennker

Erschienen in: Künstliche Intelligenz in der Praxis

Verlag: Springer Fachmedien Wiesbaden

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Zusammenfassung

Im Bereich der künstlichen Intelligenz werden unterschiedliche Begrifflichkeiten nicht immer trennscharf genutzt. Künstliche Intelligenz, Deep Learning, Expertensysteme, Machine Learning beschreiben alle artverwandten Technologien, sind aber nicht synonym. Während AI oder künstliche Intelligenz eine Art Mantelbegriff ist, der alle Anwendungen zusammenfasst, die in irgendeiner Form Intelligenz zeigen, ist Machine Learning der Prozess aus Daten zu lernen und Schlüsse zu ziehen. Deep Learning ist ein Teilbereich des Machine Learnings der auf tiefe künstliche neuronale Netze setzt, um kontinuierlich zu lernen und Erlerntes bei weiteren Interaktionen mit der Welt anzupassen und zu modifizieren.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Vorheriges Kapitel Künstliche Intelligenz – Eine kurze Geschichte

Nächstes Kapitel Künstliche Intelligenz im Marketing

Harrison, D., & Rubinfeld, D. L. (1978). Hedonic prices and the demand for clean air. J. Environ. Economics & Management, 5, 81–102.CrossRef

He, X., Zhao, K., & Chu, X (02.08.2019). AutoML: A survey of the state-of-the-art. https://arxiv.org/abs/1908.00709. Zugegriffen: 08. Juni 2020.

Simonyan, K., & Zisserman, A. (10.04.2015). Very deep convolutional networks for large-scale image recognition. https://arxiv.org/abs/1409.1556. Zugegriffen: 08. Juni 2020.

Vashwani, A. et al. (12.06.2017). Attention is all you need. https://arxiv.org/abs/1706.03762. Zugegriffen: 08. Juni 2020.

Devlin, J. et al. (11.10.2018). BERT: Pre-training of deep bidirectional transformers for language understanding. https://arxiv.org/abs/1810.04805. Zugegriffen: 08. Juni 2020.

Yang, Z. et al. (19.06.2019). XLNet: Generalized autoregressive pretraining for language understanding. https://arxiv.org/abs/1906.08237. Zugegriffen: 08. Juni 2020.

Sun, Y. et al. (29.07.2019). ERNIE 2.0: A continual pre-training framework for language understanding. https://arxiv.org/abs/1907.12412. Zugegriffen: 08. Juni 2020.

Liu, Y. et al. (26.06.2019). RoBERTa: A robustly optimized BERT pretraining approach. https://arxiv.org/abs/1907.11692. Zugegriffen: 08. Juni 2020.

Johnson, J. et al. (20.12.2016). CLEVR: A diagnostic dataset for compositional language and elementary visual reasoning. https://arxiv.org/abs/1612.06890. Zugegriffen: 08. Juni 2020.

Titel: Machine Learning
verfasst von: Phil Wennker
Verlag: Springer Fachmedien Wiesbaden
Buch: Künstliche Intelligenz in der Praxis
Print ISBN: 978-3-658-30479-9

Electronic ISBN: 978-3-658-30480-5

Copyright-Jahr: 2020
DOI: https://doi.org/10.1007/978-3-658-30480-5_2