Sprache: Englisch
Empirische Datenmodellierung ist eine wichtige Anwendung für den Erfolg im modernen, industriellen Wettbewerb. Geschäftskritisch für den Erfolg in der modernen, hoch kompetitiven Geschäftswelt. Alle Arten von technischen Herausforderungen lassen sich nun durch Nutzung der im Routinebetrieb gewonnenen Daten überwinden (und sogar vorwegnehmen).
In diesem Video geht es vor allem um das Erstellen von Vorhersagen mittels Klassifikations- und Deep Learning-Methoden.
Bei „Klassifikationen“ geht es um die Zuordnung von Objekten und Klassen anhand der durchgeführten Messungen. Sind die Klassen vorher bekannt, spricht man von „überwachtem Lernen“, andernfalls von „unüberwachtem Lernen“.
„Deep Learning“ ist ein Zweig des maschinellen Lernens und hat zahlreiche erfolgreiche Anwendungen ermöglicht, von der Bildklassifikation bis zum autonomen Fahren. Dabei werden Algorithmen eingesetzt, die selbstständig lernen und besser werden können.
Es werden u. a. folgende Themen besprochen:
• Methoden des unüberwachten Lernens
• Regressionsmethoden (überwachtes Lernen mit laufender Rückmeldung)
• Neuronale Netzwerke und Deep-Learning-Methoden
• Die Bausteine einer Deep Learning-Umgebung
• Beispielsanwendungen des Deep Learning, die das Aufrufen von R-Code in JMP demonstrieren