Home
Search results “Neuronale netze data mining”
Machine Learning #3 - Grundlagen #2 - Konzept vs Klassifikation vs Regression
 
05:54
In diesem Tutorial schauen wir uns die Unterschiede zwischen Konzepten, Klassifikationen und Regressionen an. ❤❤❤ Früherer Zugang zu Tutorials, Abstimmungen, Live-Events und Downloads ❤❤❤ ❤❤❤ https://www.patreon.com/user?u=5322110 ❤❤❤ ❤❤❤ Keinen Bock auf Patreon? ❤❤❤ ❤❤❤ https://www.paypal.me/TheMorpheus ❤❤❤ 🌍 Website 🌍 https://the-morpheus.de ¯\_(ツ)_/¯ Tritt der Community bei ¯\_(ツ)_/¯ ** https://discord.gg/BnYZ8XS ** ** https://www.reddit.com/r/TheMorpheusTuts/ ** ( ͡° ͜ʖ ͡°) Mehr News? Mehr Code? ℱ https://www.facebook.com/themorpheustutorials 🐦 https://twitter.com/TheMorpheusTuts 🐙 https://github.com/TheMorpheus407/Tutorials Du bestellst bei Amazon? Bestell über mich, kostet dich null und du hilfst mir »-(¯`·.·´¯)-» http://amzn.to/2slBSgH Videowünsche? 🎁 https://docs.google.com/spreadsheets/d/1YPv8fFJOMRyyhUggK8phrx01OoYXZEovwDLdU4D4nkk/edit#gid=0 Fragen? Feedback? Schreib mir! ✉ https://www.patreon.com/user?u=5322110 ✉ https://www.facebook.com/themorpheustutorials ✉ https://discord.gg/BnYZ8XS ✉ [email protected] oder schreib einfach ein Kommentar :)
Views: 16618 The Morpheus Tutorials
Wie funktionieren künstliche neuronale Netze | Was ist ...?
 
08:15
Künstliche neuronale Netze sind ein wichtiges Werkzeug auf dem Gebiet der künstlichen Intelligenz. Durch die Verwendung mehrerer Schichten von Neuronen können abstrakte Features generiert und somit auch abstrakte Muster erkannt werden. Der Anwendungsbereich von künstlichen neuronalen Netzen ist sehr groß. Nimmt man nur eine logistische Einheit, so hat man quasi logistische Regression. Kombiniert man nun auch mehrere Neuronen, so können auch komplexere Probleme gelöst werden. ## Hardware für die Videoproduktion ## % Die Links sind vom Amazon Partnerprogramm. Wenn ihr also darauf klickt und dann was bei Amazon kauft, bekomme ich ein kleinen Prozentsatz vom Umsatz. Für mich bleibt ihr dabei natürlich anonym und ihr könnt so den Kanal unterstützen. Danke :) Kamera - YI Action Kamera: https://amzn.to/2upfMga Mikrofon - Marantz Professional MPM1000U: https://amzn.to/2ugyhUk Mikrofonständer: https://amzn.to/2DVvoYg Popschutz - InnoGear 6 Zoll: https://amzn.to/2DZmhWU ## Software für die Videoproduktion ## Gimp: https://www.gimp.org/ OBS: https://obsproject.com/de Audacity: http://www.audacity.de/ Shotcut: https://shotcut.org/ Danke fürs Zuschauen! +1
Views: 4279 So geht Data Science
Methoden des Data Mining
 
02:38
In diesem Video lernen Sie die Methoden des Data Mining kennen. Dies wären die Methoden Klassifikation, Assoziation, Segmentierung sowie die Prognose.
Views: 4031 Thomas Grosser
[Datenanalyse] Klassifikation
 
32:12
Beschreibung der Aufgabenstellung in der Klassifikation, wie messen wir Trainings- und Testfehler? Der Gold-Standard der Klassifikation, der Bayes-Klassifizierer. Konkrete Algorithmen für die Klassifizierung - KNN und logistische Regression.
Views: 1244 Manfred Brill
David Kriesel: SpiegelMining – Reverse Engineering von Spiegel-Online
 
58:46
SpiegelMining – Reverse Engineering von Spiegel-Online "Wenn du wissen willst, wer dich beherrscht, musst du nur herausfinden, wen du nicht kritisieren darfst." Voltaire. Wer denkt, Vorratsdatenspeicherungen und „Big Data“ sind harmlos, der kriegt hier eine Demo an Spiegel-Online. (Vortrag von David Kreisel) Seit Mitte 2014 hat David fast 100.000 Artikel von Spiegel-Online systematisch gespeichert. Diese Datenmasse wird er in einem bunten Vortrag vorstellen und erforschen. David Kriesel ist Diplom-Informatiker mit den Schwerpunkten Machine Learning, Schwarmverhalten, verteilte Systeme, neuronale Netze und hat am 28.12. auf dem 33C3 (33. Chaos Communication Congress) einen knapp einstündigen, informativen und launigen Vortrag über Datamining am Beispiel der Website von Spiegel-Online gehalten. Mit einem Script lädt Kriesel die Webseite des führenden deutschen Mainstreammediums regelmäßig herunter, archiviert und analysiert die Rohdaten anschließend systematisch nach verschiedenen Gesichtspunkten und hat die Ergebnisse visualisiert. Auch die Kommentierbarkeit der SPON-Artikel hat er dabei unter die Lupe genommen. http://www.dkriesel.com/spiegelmining https://propagandaschau.wordpress.com Mein Persönlicher dank gilt David Kreisel für seine Arbeit und der Website "propagandaschau.wordpress.com" für die Veröffentlichung des "Oben" verlinkten Artikels, der sich wiederum auf die Arbeit von David Kriesel stützt. Der Vortrag gibt tiefe und überraschende Einblicke in das Verhalten des vielleicht größten Meinungsmachers Deutschlands. Ihr werdet Spiegel-Online danach mit anderen Augen lesen. Dazu gibt er einen allgemeinverständlichen Überblick, was mit der heutigen Daten-Auswerterei alles geht. Ihr werdet also vielleicht auch mehr aufpassen, was für Daten von euch ihr ins Internet lasst. Der Vortrag hat drei rote Fäden: 1) Wir reverse engineeren Spiegel-Online. Wir nehmen den Datensatz so richtig auseinander und betrachten Spiegel-Online aus vielen völlig neuen Blickwinkeln. Das Ganze wird bunt, unterhaltsam und anschaulich passieren, so dass es für Techies und Nicht-Techies eingängig ist. Warum sind manche Artikel lang, manche kurz? Kann man Artikeln ansehen, ob die Redakteure wirklich dahinter stehen oder nicht? Welche Redakteure sind enger miteinander verbandelt als andere? Welche Inhalte hält der Spiegel selbst für politisch inkorrekt? Kann man sowas wirklich einfach so von außen messen? Glaubt’s mal – man kann. Bei einigen der Auswertungen wird vielleicht „nur“ das rauskommen, was ihr euch schon vorher denken konntet. Bei anderen werden wir überraschende Ergebnisse erhalten. Und manchmal entdeckt man auch Systematiken da, wo man überhaupt keine erwartet hat. Kurz: Wir werden kreativ sein. Wir werden etwas lernen und Spiegel-Online auch. 2) Ein Überblick über „Data Science“. Wir betrachten nicht nur die Vorgehensweise, sondern auch die Möglichkeiten und gesellschaftlichen Gefahren der Datensammelwut und Auswerterei. Über den Vortrag hinweg wird David – locker und unmathematisch – verschiedene Methoden des Datenauswertens anhand des Spiegel-Online-Datensatzes anschaulich machen. Nicht mit Formeln, sondern mit bunten Grafiken. Nach dem Vortrag werdet ihr eine Vorstellung davon haben, was sich hinter dem „Big Data“-Buzzword verbirgt, und warum dieser Hype – bei allem Nutzen, den er haben mag – gesellschaftlich auch sehr gefährlich ist. Ihr könnt nämlich überhaupt nicht wissen was ihr über euch preisgebt, wenn ihr irgendwelche Daten veröffentlicht. Egal, wie uninteressant eure Daten für euch aussehen mögen – was man daraus lesen kann, entscheidet der Gegner und nicht ihr. 3) Und für die Aktivisten unter euch liefert der Vortrag eine grobe Anleitung, wie man es sinnvoll anstellt, wenn man ein Massenmedium (oder auch beliebige andere Sachen im Internet) mal beobachten und so richtig durchleuchten will. Wie sammeln wir die Daten? Wie geht man kreativ mit Daten um? Wie findet man Zusammenhänge? Wie gießt man die Daten in sinnvolle und ästhetische Bilder, mit denen jeder etwas anfangen kann? Es gibt ja nur eine Breitband-Verbindung ins Gehirn: die Augen.
Views: 20308 Killuminati ∆
What is backpropagation really doing? | Deep learning, chapter 3
 
13:54
What's actually happening to a neural network as it learns? Next video: https://youtu.be/tIeHLnjs5U8 Training data generation: http://3b1b.co/crowdflower Find the full playlist at http://3b1b.co/neural-networks The following video is sort of an appendix to this one. The main goal with the follow-on video is to show the connection between the visual walkthrough here, and the representation of these "nudges" in terms of partial derivatives that you will find when reading about backpropagation in other resources, like Michael Nielsen's book or Chis Olah's blog. Thanks to everyone supporting on Patreon. http://3b1b.co/nn3-thanks http://3b1b.co/support For more on backpropagation: http://neuralnetworksanddeeplearning.com/chap2.html https://github.com/mnielsen/neural-networks-and-deep-learning http://colah.github.io/posts/2015-08-Backprop/ Music by Vincent Rubinetti: https://vincerubinetti.bandcamp.com/album/the-music-of-3blue1brown ------------------ 3blue1brown is a channel about animating math, in all senses of the word animate. And you know the drill with YouTube, if you want to stay posted on new videos, subscribe, and click the bell to receive notifications (if you're into that). If you are new to this channel and want to see more, a good place to start is this playlist: http://3b1b.co/recommended Various social media stuffs: Website: https://www.3blue1brown.com Twitter: https://twitter.com/3Blue1Brown Patreon: https://patreon.com/3blue1brown Facebook: https://www.facebook.com/3blue1brown Reddit: https://www.reddit.com/r/3Blue1Brown
Views: 883570 3Blue1Brown
Regression im STATISTICA Data Miner
 
08:41
Dieses Video zeigt, wie ein Regressionsproblem im STATISTICA Data Miner gelöst werden kann. Als Prognoseverfahren kommen künstliche neuronale Netze zum Einsatz.
Neuronale Netze #10 - Die Softmax-Aktivierung (Machine Learning #90)
 
07:06
In diesem Tutorial sehen wir uns an, was die Softmax-Aktivierungsfunktion kann und wozu sie gut ist. ❤❤❤ Früherer Zugang zu Tutorials, Abstimmungen, Live-Events und Downloads ❤❤❤ ❤❤❤ https://www.patreon.com/user?u=5322110 ❤❤❤ ❤❤❤ Keinen Bock auf Patreon? ❤❤❤ ❤❤❤ https://www.paypal.me/TheMorpheus ❤❤❤ 🌍 Website 🌍 https://the-morpheus.de ¯\_(ツ)_/¯ Tritt der Community bei ¯\_(ツ)_/¯ ** https://discord.gg/BnYZ8XS ** ** https://www.reddit.com/r/TheMorpheusTuts/ ** ( ͡° ͜ʖ ͡°) Mehr News? Mehr Code? ℱ https://www.facebook.com/themorpheustutorials 🐦 https://twitter.com/TheMorpheusTuts 🐙 https://github.com/TheMorpheus407/Tutorials Du bestellst bei Amazon? Bestell über mich, kostet dich null und du hilfst mir »-(¯`·.·´¯)-» http://amzn.to/2slBSgH Videowünsche? 🎁 https://docs.google.com/spreadsheets/d/1YPv8fFJOMRyyhUggK8phrx01OoYXZEovwDLdU4D4nkk/edit#gid=0 Fragen? Feedback? Schreib mir! ✉ https://www.patreon.com/user?u=5322110 ✉ https://www.facebook.com/themorpheustutorials ✉ https://discord.gg/BnYZ8XS ✉ [email protected] oder schreib einfach ein Kommentar :)
Python und Pakete für Machine Learning installieren [Deutsch]
 
05:46
In diesem Video zeige ich, wie man Python und Pakete für Python installieren kann. Ich gehe dabei vor Allem auf Pakete für Machine Learning beziehungsweise Data Mining ein. Hier die Links zu den genannten Webseiten: Python: https://www.python.org/ PyPI: https://pypi.python.org/pypi Pandas: https://pandas.pydata.org/ Numpy: http://www.numpy.org/ Matplotlib: https://matplotlib.org/ Sci-kit learn: http://scikit-learn.org/ Jupyter Notebook: http://jupyter.org/install ## Hardware für die Videoproduktion ## % Die Links sind vom Amazon Partnerprogramm. Wenn ihr also darauf klickt und dann was bei Amazon kauft, bekomme ich ein kleinen Prozentsatz vom Umsatz. Für mich bleibt ihr dabei natürlich anonym und ihr könnt so den Kanal unterstützen. Danke :) Kamera - YI Action Kamera: https://amzn.to/2upfMga Mikrofon - Marantz Professional MPM1000U: https://amzn.to/2ugyhUk Mikrofonständer: https://amzn.to/2DVvoYg Popschutz - InnoGear 6 Zoll: https://amzn.to/2DZmhWU ## Software für die Videoproduktion ## Gimp: https://www.gimp.org/ OBS: https://obsproject.com/de Audacity: http://www.audacity.de/ Shotcut: https://shotcut.org/ Danke fürs Zuschauen! +1
KI-Manager | Modul 2: KI in Unternehmen ‒ Grundlagen und Voraussetzungen | Dr. Sven Schmeier
 
07:15
Referent: Dr. Sven Schmeier (Senior Consultant, Language Technology, DFKI) Was ist Data Mining? Was bedeutet Information Retrieval? Was ist Maschinelles Lernen und was Deep Learning? Was sind die grundlegenden Prozesse im Bereich Data Mining? Wie kann man aus großen Datenmengen Informationen gewinnen? In Modul 2 lernen die angehenden KI Manager die grundsätzliche Begriffslandschaft rund um das Themengebiet Data Mining kennen. Über den Cross Industry Standard Process for Data Mining (CRISP DM) werden die State of the Art-Methoden der Datenvorverarbeitung (Vectorizing, Bag of Words, Word2Vec) sowie die Arbeitsweise von Maschinellen Lernverfahren vermittelt. Die Teilnehmerinnen und Teilnehmer werden die Voraussetzungen und Einsatzmöglichkeiten verschiedener symbolischer und subsymbolischer Lernverfahren (z.B. Entscheidungsbäume, Regellerner, Naive Bayes, (tiefe neuronale Netze) kennenlernen. Weiteres Thema ist Information Retrieval bzw. die Gewinnung von Informationen aus großen unstrukturierten Textmengen. Angereichert wird das Modul durch Beispiele aus der Praxis sowie Hands-on-Übungen auf existierenden Data Mining Plattformen. Alle Informationen zum KI-Lehrgang unter: https://www.bitkom-akademie.de/seminare/digitale-transformation/ausbildung-zum-ki-manager
Views: 56 Bitkom Akademie
Machine Learning #19 - Unüberwachtes Lernen #4 - Cobweb #1
 
13:10
In diesem Tutorial starten wir mit einer weiteren sehr populären Variante zum unüberwachten Lernen: Dem Cobweb Algorithmus. ❤❤❤ Früherer Zugang zu Tutorials, Abstimmungen, Live-Events und Downloads ❤❤❤ ❤❤❤ https://www.patreon.com/user?u=5322110 ❤❤❤ ❤❤❤ Keinen Bock auf Patreon? ❤❤❤ ❤❤❤ https://www.paypal.me/TheMorpheus ❤❤❤ 🌍 Website 🌍 https://the-morpheus.de ¯\_(ツ)_/¯ Tritt der Community bei ¯\_(ツ)_/¯ ** https://discord.gg/BnYZ8XS ** ** https://www.reddit.com/r/TheMorpheusTuts/ ** ( ͡° ͜ʖ ͡°) Mehr News? Mehr Code? ℱ https://www.facebook.com/themorpheustutorials 🐦 https://twitter.com/TheMorpheusTuts 🐙 https://github.com/TheMorpheus407/Tutorials Du bestellst bei Amazon? Bestell über mich, kostet dich null und du hilfst mir »-(¯`·.·´¯)-» http://amzn.to/2slBSgH Videowünsche? 🎁 https://docs.google.com/spreadsheets/d/1YPv8fFJOMRyyhUggK8phrx01OoYXZEovwDLdU4D4nkk/edit#gid=0 Fragen? Feedback? Schreib mir! ✉ https://www.patreon.com/user?u=5322110 ✉ https://www.facebook.com/themorpheustutorials ✉ https://discord.gg/BnYZ8XS ✉ [email protected] oder schreib einfach ein Kommentar :)
Klassifikation mit dem k-Nächste-Nachbarn Algorithmus | Data Mining Algorithmen
 
04:26
K-Nächste-Nachbarn ist ein sehr einfacher Klassifikationsalgorithmus. Um die Klasse neuer Elemente vorherzusagen, werden die k nächsten Nachbarn basierend auf den übrigen Eigenschaften ermittelt. Die Klasse die unter den Nachbarn am häufigsten vertreten ist, wird dann auch bei dem unbekannten Element angenommen. Ganz einfach eigentlich. :) ## Hardware für die Videoproduktion ## % Die Links sind vom Amazon Partnerprogramm. Wenn ihr also darauf klickt und dann was bei Amazon kauft, bekomme ich ein kleinen Prozentsatz vom Umsatz. Für mich bleibt ihr dabei natürlich anonym und ihr könnt so den Kanal unterstützen. Danke :) Kamera - YI Action Kamera: https://amzn.to/2upfMga Mikrofon - Marantz Professional MPM1000U: https://amzn.to/2ugyhUk Mikrofonständer: https://amzn.to/2DVvoYg Popschutz - InnoGear 6 Zoll: https://amzn.to/2DZmhWU ## Software für die Videoproduktion ## Gimp: https://www.gimp.org/ OBS: https://obsproject.com/de Audacity: http://www.audacity.de/ Shotcut: https://shotcut.org/ Danke fürs Zuschauen! +1
Maschinelles Lernen: Über Daten, Wissen und Ecorithmen, Prof. Dr. Eyke Hüllermeier
 
01:10:05
Das maschinelle Lernen hat sich in den letzten Jahren zu einer tragenden Säule der Künstlichen Intelligenz sowie der neu etab- lierten Forschungsdisziplin Data Science entwickelt. Im Rahmen des Vortrags wird zunächst die Entwicklung von einem primär wissensbasierten Entwurf intelligenter Systeme hin zu stärker datengetriebenen Ansätzen nachvollzogen. Letztere haben das traditionelle wissensbasierte Paradigma nicht nur sinnvoll ergänzt, sondern in vielen Anwendungsbereichen de facto abgelöst. Im Anschluss werden einige grundlegende Konzepte, Ideen und Probleme des maschinellen Lernens aus theoretischer Perspek- tive beleuchtet. Anhand von Anwendungen werden schließlich Potenziale und (bestehende) Grenzen maschineller Lernverfahren diskutiert. In diesem Zusammenhang wird insbesondere auf Forschungsschwerpunkte des Fachgebietes Intelligente Systeme an der Universität Paderborn eingegangen. Prof. Dr. Eyke Hüllermeier, Professor am Institut für Informatik an der Universität Paderborn, Fachgebiet Intelligente Systeme Vortrag im Rahmen der Forumsveranstaltung vom 18. Mai 2017 im Heinz Nixdorf Institut zu dem Thema "Aktuelle Entwicklungen des Maschinellen Lernens".
Views: 781 HNIRedaktion
SpiegelMining   Reverse Engineering von Spiegel Online (HD)
 
58:46
SpiegelMining – Reverse Engineering von Spiegel-Online Wer denkt, Vorratsdatenspeicherungen und „Big Data“ sind harmlos, der kriegt hier eine Demo an Spiegel-Online. (Vortrag von David Kriesel) David Kriesel ist Diplom-Informatiker mit den Schwerpunkten Machine Learning, Schwarmverhalten, verteilte Systeme, neuronale Netze und hat am 28.12. auf dem 33C3 (33. Chaos Communication Congress) einen knapp einstündigen, informativen und launigen Vortrag über Datamining am Beispiel der Website von Spiegel-Online gehalten. Mit einem Script lädt Kriesel die Webseite des führenden deutschen Mainstreammediums regelmäßig herunter, archiviert und analysiert die Rohdaten anschließend systematisch nach verschiedenen Gesichtspunkten und hat die Ergebnisse visualisiert. Auch die Kommentierbarkeit der SPON-Artikel hat er dabei unter die Lupe genommen. ... Zu den Links für mehr Informationen und zum download des Videos; https://media.ccc.de/v/33c3-7912-spiegelmining_reverse_engineering_von_spiegel-online#video&t=16 ... http://www.dkriesel.com/spiegelmining ... https://propagandaschau.wordpress.com/2016/12/30/spiegelmining-informatiker-david-kriesel-dokumentiert-auf-dem-33-chaos-communication-congress-die-zensur-beim-spiegel/ ... Mein Persönlicher dank gilt David Kriesel für seine Arbeit und der Website "propagandaschau.wordpress.com" für die Veröffentlichung des "Oben" verlinkten Artikels, der sich wiederum auf die Arbeit von David Kriesel stützt.
Views: 15360 Alpha Rocking
Training und Testen (3/4) [Deutsch] | Lineare Regression mit Python
 
07:10
Wie können wir mit Python und Scikit-learn ein Modell trainieren und testen? Das Training und das Testen sind beim Data Mining essentielle Phasen. Dieses Video führt die Serie zum Thema Lineare Regression mit Python fort. Es zeigt wie wir von den vorbereiteten Daten zu einem Modell kommt, mit dem wir in der nächsten Folge auch Vorhersagen treffen wollen. ## Hardware für die Videoproduktion ## % Die Links sind vom Amazon Partnerprogramm. Wenn ihr also darauf klickt und dann was bei Amazon kauft, bekomme ich ein kleinen Prozentsatz vom Umsatz. Für mich bleibt ihr dabei natürlich anonym und ihr könnt so den Kanal unterstützen. Danke :) Kamera - YI Action Kamera: https://amzn.to/2upfMga Mikrofon - Marantz Professional MPM1000U: https://amzn.to/2ugyhUk Mikrofonständer: https://amzn.to/2DVvoYg Popschutz - InnoGear 6 Zoll: https://amzn.to/2DZmhWU ## Software für die Videoproduktion ## Gimp: https://www.gimp.org/ OBS: https://obsproject.com/de Audacity: http://www.audacity.de/ Shotcut: https://shotcut.org/ Danke fürs Zuschauen! +1
Predictive Analytics – Methoden, Vorgehen, Produkte
 
44:48
Sprecher: Artus Krohn-Grimberghe, LYTIQ GmbH Vortragsbeschreibung: Obwohl Cloud-basierte Lösungen momentan sehr aktuell sind, haben die IT sowie Fachabteilungen bestimmt Anforderungen: Ist die Cloud Plattform zuverlässig? Können meine SLAs eingehalten werden? Skaliert diese Lösung? Besonders aber diese Frage – können intensive Anwendungen, wie ein Data Warehouse realisiert werden? Wir haben an Hand dieser Fragen verschiedene Szenarien getestet und die Antwort ist „Ja!“. Unsere Tests mit dem SQL Server 2012 & 2014, basierend auf Windows Azure virtuellen Maschinen (VMs), zeigen, dass solche Lösungen Ihre Anforderungen erfüllen. Anstelle des SQL Server kann auch ein Oracle RDBMS zum Einsatz kommen. Nutzen Sie die Chance und lernen Sie von unseren Erkenntnissen und Erfahrungen. Nehmen Sie wertvolle Tipps für Ihre zukünftigen Projekte und Planungen mit.
Views: 2384 TDWI.europe
Neuronale Netze mit Keras -- in a Nutshell -- (Teil 1 von 2)
 
43:40
Das Video behandelt klassische neuronale Netze und deren Umsetzung mit Keras (Python). Einige Beispiele sind im Einverständnis mit dem Hanser Verlag aus meinem Buch „Maschinelles Lernen“ übernommen worden. Die Quellcodes lehnen sich ebenfalls an diejenigen aus dem Buch an und können unter www.joerg.frochte.de/books/ heruntergeladen werden. Hinweis für Studierende: Videos auf Youtube sind Ergänzungen und kein vollwertiger Ersatz für Vorlesungsunterlagen/Bücher. Zu Risiken und Nebenwirkungen lesen Sie selbst geeigneten Fließtext und fragen Sie Ihre Dozentenin oder Dozenten. ;-)
Views: 409 Joerg Frochte
34C3 ChaosWest -  In der Weihnachtsbäckerei - Data Science und Kekse
 
27:53
https://media.ccc.de/v/34c3-ChaosWest-16-in_der_weihnachtsba_ckerei_data_science_und_kekse Quelle von Datensätzen, Logistik von Big Data, Bildung effizienter Features, Principal Component Analysis und andere statistische Methoden, Clustering, Neuronale Netzwerke vs. Deep Learning, Wie interpretiere ich Daten, Präsentation von Ergebnissen Limlug
Views: 4021 media.ccc.de
Machine Learning #37 - Entscheidungsbäume #1 - Decision Trees
 
05:54
In diesem Tutorial fangen wir mit Entscheidungsbäumen an! ❤❤❤ Früherer Zugang zu Tutorials, Abstimmungen, Live-Events und Downloads ❤❤❤ ❤❤❤ https://www.patreon.com/user?u=5322110 ❤❤❤ ❤❤❤ Keinen Bock auf Patreon? ❤❤❤ ❤❤❤ https://www.paypal.me/TheMorpheus ❤❤❤ 🌍 Website 🌍 https://the-morpheus.de ¯\_(ツ)_/¯ Tritt der Community bei ¯\_(ツ)_/¯ ** https://discord.gg/BnYZ8XS ** ** https://www.reddit.com/r/TheMorpheusTuts/ ** ( ͡° ͜ʖ ͡°) Mehr News? Mehr Code? ℱ https://www.facebook.com/themorpheustutorials 🐦 https://twitter.com/TheMorpheusTuts 🐙 https://github.com/TheMorpheus407/Tutorials Du bestellst bei Amazon? Bestell über mich, kostet dich null und du hilfst mir »-(¯`·.·´¯)-» http://amzn.to/2slBSgH Videowünsche? 🎁 https://docs.google.com/spreadsheets/d/1YPv8fFJOMRyyhUggK8phrx01OoYXZEovwDLdU4D4nkk/edit#gid=0 Fragen? Feedback? Schreib mir! ✉ https://www.patreon.com/user?u=5322110 ✉ https://www.facebook.com/themorpheustutorials ✉ https://discord.gg/BnYZ8XS ✉ [email protected] oder schreib einfach ein Kommentar :)
Data Mining mit Orange
 
19:41
Andreas Bresser https://2013.de.pycon.org/schedule/sessions/3/ Es wird eine einfache Einführung in das Thema Data Mining gegeben. Dazu werden anschauliche Beispiele für den Einsatz von Orange gezeigt. Orange ist ein Open Source Programm, das Data Mining und Datenvisualisierung durch visuelle Programmierung oder Python Scripting ermöglicht.
Views: 1510 Next Day Video
Künstliche Intelligenz spielt Cartpole | Neuronales Netz | Genetischer Algorithmus
 
05:40
Mit neuronalen Netzen können künstliche Intelligenzen erstellt werden. In diesem Video zeige ich euch wie ich ein neuronales Netz mit TensorFlow gebaut und mit einem genetischen Algorithmus trainiert habe, sodass es Cartpole spielen kann. Das Spiel findet ihr neben anderen Umgebungen hier: https://gym.openai.com/ Viel Spaß beim ausprobieren. :) ## Hardware für die Videoproduktion ## % Die Links sind vom Amazon Partnerprogramm. Wenn ihr also darauf klickt und dann was bei Amazon kauft, bekomme ich ein kleinen Prozentsatz vom Umsatz. Für mich bleibt ihr dabei natürlich anonym und ihr könnt so den Kanal unterstützen. Danke :) Kamera - YI Action Kamera: https://amzn.to/2upfMga Mikrofon - Marantz Professional MPM1000U: https://amzn.to/2ugyhUk Mikrofonständer: https://amzn.to/2DVvoYg Popschutz - InnoGear 6 Zoll: https://amzn.to/2DZmhWU ## Software für die Videoproduktion ## Gimp: https://www.gimp.org/ OBS: https://obsproject.com/de Audacity: http://www.audacity.de/ Shotcut: https://shotcut.org/ Danke fürs Zuschauen! +1
Was ist Machine Learning?
 
01:17
Was genau ist maschinelles Lernen? Begriffe wie Cognitive Computing, Deep Learning, Neuronale Netze und künstliche Intelligenz sind in aller Munde, aber wo liegen die Unterscheide bzw. die Gemeinsamkeiten und wie kann man die Begriffe voneinander abgrenzen? Wir haben den analytisch besten Ort der Welt gefunden - mit Machine Learning: Sorgfältig ausgesuchte Algorithmen werden anhand der Trainigssets angelernt und identifizieren 8 Variablen-Cluster: Bildung und Karriere, Familie, Kultur, Natur, Sicherheit und Infrastruktur, Lebenshaltungskosten, Restaurants und Shopping sowie Gesundheit. Das Vorhersagemodell konzentriert sich nun auf 14.658 Orte und findet das analytische Paradies, das anhand der erkannten Muster am besten abschneidet. Mehr zu Paradise Found: https://www.sas.com/de_de/offers/paradise-found.html SASSOFTWARE GERMANY ABONNIEREN https://www.youtube.com/channel/UC8t-KD1l0avSjALt5MUndiQ?sub_confirmation=1
Views: 1146 SAS Software D-A-CH
Getting Started with Neural Network Toolbox
 
04:25
Use graphical tools to apply neural networks to data fitting, pattern recognition, clustering, and time series problems. - Get a Free MATLAB Trial: https://goo.gl/C2Y9A5 - Ready to Buy: https://goo.gl/vsIeA5
Views: 284567 MATLAB
Back Propagation Algorithm
 
20:05
Back propagation algorithm is used for error detection and correction in Neural Network.
Views: 11396 Rudra Singh
Christian Dersch : Data Mining in astronomischen Surveydaten variabler Sterne mit Python
 
45:00
Knowledge Discovery und speziell maschinelles Lernen sind sehr nützliche Werkzeuge für die automatisierte Datenanalyse. Die Anwendung des maschinellen Lernens hat in den vergangenen Jahren stark an Bedeutung gewonnen und sich als Lösung für Klassifikationsprobleme etabliert. In Astronomie und Astrophysik treten große Datenmengen insbesondere in Surveys auf, beispielhaft sei hier das Weltraumteleskop Kepler genannt, welches für die Suche nach Exoplaneten konzipiert wurde. In der Domäne der Photometrie ist hier die Analyse von Helligkeitsänderungen in den Lichtkurven von Sternen eine zentrale Aufgabe, beispielsweise von sich gegenseitig bedeckenden Sternen. Christian Dersch
But what *is* a Neural Network? | Deep learning, chapter 1
 
19:13
Subscribe to stay notified about new videos: http://3b1b.co/subscribe Support more videos like this on Patreon: https://www.patreon.com/3blue1brown Or don't. It's your call really, no pressure. Special thanks to these supporters: http://3b1b.co/nn1-thanks Additional funding provided by Amplify Partners. For any early-stage ML entrepreneurs, Amplify would love to hear from you: [email protected] Full playlist: http://3b1b.co/neural-networks Typo correction: At 14:45, the last index on the bias vector is n, when it's supposed to in fact be a k. Thanks for the sharp eyes that caught that! For those who want to learn more, I highly recommend the book by Michael Nielsen introducing neural networks and deep learning: https://goo.gl/Zmczdy There are two neat things about this book. First, it's available for free, so consider joining me in making a donation Nielsen's way if you get something out of it. And second, it's centered around walking through some code and data which you can download yourself, and which covers the same example that I introduce in this video. Yay for active learning! https://github.com/mnielsen/neural-networks-and-deep-learning I also highly recommend Chris Olah's blog: http://colah.github.io/ For more videos, Welch Labs also has some great series on machine learning: https://youtu.be/i8D90DkCLhI https://youtu.be/bxe2T-V8XRs For those of you looking to go *even* deeper, check out the text "Deep Learning" by Goodfellow, Bengio, and Courville. Also, the publication Distill is just utterly beautiful: https://distill.pub/ Lion photo by Kevin Pluck If you want to contribute translated subtitles or to help review those that have already been made by others and need approval, you can click the gear icon in the video and go to subtitles/cc, then "add subtitles/cc". I really appreciate those who do this, as it helps make the lessons accessible to more people. Music by Vincent Rubinetti: https://vincerubinetti.bandcamp.com/album/the-music-of-3blue1brown ------------------ 3blue1brown is a channel about animating math, in all senses of the word animate. And you know the drill with YouTube, if you want to stay posted on new videos, subscribe, and click the bell to receive notifications (if you're into that). If you are new to this channel and want to see more, a good place to start is this playlist: http://3b1b.co/recommended Various social media stuffs: Website: https://www.3blue1brown.com Twitter: https://twitter.com/3Blue1Brown Patreon: https://patreon.com/3blue1brown Facebook: https://www.facebook.com/3blue1brown Reddit: https://www.reddit.com/r/3Blue1Brown
Views: 3458707 3Blue1Brown
Trailer | Vorratsdatenspeicherung am Beispiel Spiegel Online
 
05:37
... hier der komplette Vortrag: https://www.youtube.com/watch?v=_nWtdkwvjHY&t=224s Redner: David Kriesel Diplom-Informatiker mit den Schwerpunkten Machine Learning, Schwarmverhalten, verteilte Systeme, neuronale Netze, Data-Scientist Thema: "SpiegelMining. Reverse Engineering von Spiegel Online" Event: 33. Chaos Communication Congress [33c3] des Chaos Computer Club [CCC] Datum: 28.12.2016 Wer denkt, Vorratsdatenspeicherungen und „Big Data“ sind harmlos, wird anhand des Beispiels Spiegel-Online eines Besseren belehrt. Seit Mitte 2014 hat David fast 100.000 Artikel von Spiegel-Online systematisch gespeichert. Diese Datenmasse wird er in einem bunten Vortrag vorstellen und erforschen. Der Vortrag gibt tiefe und überraschende Einblicke in das Verhalten des vielleicht größten Meinungsmachers Deutschlands. Ihr werdet Spiegel-Online danach mit anderen Augen lesen. Dazu gibt er einen allgemeinverständlichen Überblick, was mit der heutigen Daten-Auswerterei alles geht. Ihr werdet also vielleicht auch mehr aufpassen, was für Daten von euch ihr ins Internet lasst. Der Vortrag hat drei rote Fäden: 1) Wir reverse engineeren Spiegel-Online. Wir nehmen den Datensatz so richtig auseinander und betrachten Spiegel-Online aus vielen völlig neuen Blickwinkeln. Das Ganze wird bunt, unterhaltsam und anschaulich passieren, so dass es für Techies und Nicht-Techies eingängig ist. Warum sind manche Artikel lang, manche kurz? Kann man Artikeln ansehen, ob die Redakteure wirklich dahinter stehen oder nicht? Welche Redakteure sind enger miteinander verbandelt als andere? Welche Inhalte hält der Spiegel selbst für politisch inkorrekt? Kann man sowas wirklich einfach so von außen messen? Glaubt’s mal – man kann. Bei einigen der Auswertungen wird vielleicht „nur“ das rauskommen, was ihr euch schon vorher denken konntet. Bei anderen werden wir überraschende Ergebnisse erhalten. Und manchmal entdeckt man auch Systematiken da, wo man überhaupt keine erwartet hat. Kurz: Wir werden kreativ sein. Wir werden etwas lernen und Spiegel-Online auch. 2) Ein Überblick über „Data Science“. Wir betrachten nicht nur die Vorgehensweise, sondern auch die Möglichkeiten und gesellschaftlichen Gefahren der Datensammelwut und Auswerterei. Über den Vortrag hinweg wird David – locker und unmathematisch – verschiedene Methoden des Datenauswertens anhand des Spiegel-Online-Datensatzes anschaulich machen. Nicht mit Formeln, sondern mit bunten Grafiken. Nach dem Vortrag werdet ihr eine Vorstellung davon haben, was sich hinter dem „Big Data“-Buzzword verbirgt, und warum dieser Hype – bei allem Nutzen, den er haben mag – gesellschaftlich auch sehr gefährlich ist. Ihr könnt nämlich überhaupt nicht wissen was ihr über euch preisgebt, wenn ihr irgendwelche Daten veröffentlicht. Egal, wie uninteressant eure Daten für euch aussehen mögen – was man daraus lesen kann, entscheidet der Gegner und nicht ihr. 3) Und für die Aktivisten unter euch liefert der Vortrag eine grobe Anleitung, wie man es sinnvoll anstellt, wenn man ein Massenmedium (oder auch beliebige andere Sachen im Internet) mal beobachten und so richtig durchleuchten will. Wie sammeln wir die Daten? Wie geht man kreativ mit Daten um? Wie findet man Zusammenhänge? Wie gießt man die Daten in sinnvolle und ästhetische Bilder, mit denen jeder etwas anfangen kann? Es gibt ja nur eine Breitband-Verbindung ins Gehirn: die Augen. (Text von CCCdeVideos)
Views: 702 Baris Calisgan
Semantische Systeme 3.0 - Von Text Mining bis zu Linked Data
 
24:21
Semantische Systeme 3.0 - Von Text Mining bis zu Linked Data Veranstalter: Deutsche Gesellschaft für Informationswissenschaft und Informationspraxis e.V. (DGI) Referent: Herr Andreas Blumauer (CEO & Managing Partner, Semantic Web Company GmbH) NEU Di 23092013 F51 14 00 semantische systeme 1
Views: 349 itandbusiness
Neural network in Excel
 
30:54
This video is about how easy it is to make a real neural network in MS Excel.
Views: 1100 Aleksey Teslenko
Big Data, Künstliche Intelligenz, Smart Services: BMBF Kompetenzzentren in Deutschland
 
46:12
Big Data Made in Germany: die Big-Data-Kompetenzzentren des Bundesministeriums für Bildung und Forschung stellen sich vor. Themen: 00:00 - Prof. Dr. Volker Markl, Deutsches Forschungszentrum für Künstliche Intelligenz und Berlin Big Data Center BBDC 14:40 - Prof. Dr. Wolfgang E. Nagel, TU Dresden und Compentence Center for Scalable Data Services ScaDS 28:55 - Prof. Dr. Michael Beigl, Karlsruher Institut für Technologie, Smart Data Innovation Lab SDIL
AIML-4-2-5 Обратное распространение ошибки, входы
 
10:15
Смотрите другие видео этого курса, выполняйте упражнения и изучайте интеллектуальные системы и машинное обучение на нашем сайте! https://ulearn.azurewebsites.net/Slide/75a70f80-7527-4f9d-acae-de6a1207a3ad
Machine Learning #16 - Unüberwachtes Lernen #1 - k-Means Clustering
 
18:45
In diesem Tutorial fangen wir mit einer neuen großen Kategorie von Lernalgorithmen an - den unüberwachten. Wir starten mit dem prominentesten Algorithmus: Dem k-Means. ❤❤❤ Früherer Zugang zu Tutorials, Abstimmungen, Live-Events und Downloads ❤❤❤ ❤❤❤ https://www.patreon.com/user?u=5322110 ❤❤❤ ❤❤❤ Keinen Bock auf Patreon? ❤❤❤ ❤❤❤ https://www.paypal.me/TheMorpheus ❤❤❤ 🌍 Website 🌍 https://the-morpheus.de ¯\_(ツ)_/¯ Tritt der Community bei ¯\_(ツ)_/¯ ** https://discord.gg/BnYZ8XS ** ** https://www.reddit.com/r/TheMorpheusTuts/ ** ( ͡° ͜ʖ ͡°) Mehr News? Mehr Code? ℱ https://www.facebook.com/themorpheustutorials 🐦 https://twitter.com/TheMorpheusTuts 🐙 https://github.com/TheMorpheus407/Tutorials Du bestellst bei Amazon? Bestell über mich, kostet dich null und du hilfst mir »-(¯`·.·´¯)-» http://amzn.to/2slBSgH Videowünsche? 🎁 https://docs.google.com/spreadsheets/d/1YPv8fFJOMRyyhUggK8phrx01OoYXZEovwDLdU4D4nkk/edit#gid=0 Fragen? Feedback? Schreib mir! ✉ https://www.patreon.com/user?u=5322110 ✉ https://www.facebook.com/themorpheustutorials ✉ https://discord.gg/BnYZ8XS ✉ [email protected] oder schreib einfach ein Kommentar :)
Artificial Neural Network - Training a single Neuron using Excel
 
12:10
Training a single neuron with Excel spreadsheet Turner, Scott (2017): Artificial Neural Network - Training a single Neuron using Excel. figshare. https://doi.org/10.6084/m9.figshare.5339872.v2
Views: 30949 Scott Turner
back propagation in Neural networks
 
05:07
back propagation topic in neural networks in simple way to understand. check this link for example https://www.youtube.com/watch?v=0e0z28wAWfg
Views: 49130 Naveen Kumar
Selbstlernende Bedienerassistenzsysteme für Verarbeitungsmaschinen
 
02:57
Mehr info: : https://www.ivv.fraunhofer.de/anwenderforum Das Fraunhofer IVV Dresden entwickelt selbstlernende Assistenzsysteme für Verarbeitungsmaschinen und präsentiert erste Ansätze. Ausschlaggebend für die Entwicklung ist die Erkenntnis, dass auch an modernsten Anlagen im Schnitt alle fünf Minuten häufig eine kurze Störung eintritt. Die wichtigste Quelle für das Beseitigen von Störungen ist die Erfahrung von qualifizierten Anlagenbedienern. Damit diese Erfahrung auch weniger qualifiziertem Personal zur Verfügung stehen kann, hat das Fraunhofer IVV Dresden verschiedene Ansätze verfolgt, mit denen eine Steigerung der Effizienz der Anlage erreicht werden kann. Diese Ansätze sind nun vereint in SAM, dem Selbstlernenden Assistenzsystem für Maschinen, das den Bediener als eine Art Navigationssystem bei der Beseitigung der Fehler unterstützt. Eine Grundlage ist die Mustererkennung in Signalverläufen der verbauten Sensoren auf der Basis von Techniken zum Data Mining und maschinellem Lernen. In weiteren Schritten wird ein kooperatives Dialogsystem angestrebt. Damit soll das Assistenzsystem direkt vom Bediener lernen und gemeinsam mit diesem zu einer Lösungsstrategie gelangen, ohne dass SAM selbst aktiv in den Produktionsprozess eingreift.
Views: 968 Fraunhofer
Academy on Air: Einführung zu Machine Learning (30.01.18)
 
52:44
Google AdWords heißt jetzt Google Ads. Weitere Informationen dazu finden Sie in unserem Blogpost. » https://goo.gl/EHXLmx
Views: 1209 Google Partners
Was ist Overfitting? | Was ist ...?
 
06:02
Was ist Overfitting bzw. Überanpassung, wie kann man es erkennen und vor Allem wie kann man es vermeiden. In dieses Video findest du einen kurzen Überblick über dieses Problem. Overfitting bedeutet, dass das maschinell gelernte Modell zu gut auf die Trainingsdaten abgestimmt ist und somit schlecht neue unbekannte Daten bestimmen kann. Dem kann entgegengewirkt werden, indem entweder mehr Daten fürs Lernen verwendet werden, Features aussortiert werden oder das Modell einfach gehalten wird. ## Hardware für die Videoproduktion ## % Die Links sind vom Amazon Partnerprogramm. Wenn ihr also darauf klickt und dann was bei Amazon kauft, bekomme ich ein kleinen Prozentsatz vom Umsatz. Für mich bleibt ihr dabei natürlich anonym und ihr könnt so den Kanal unterstützen. Danke :) Kamera - YI Action Kamera: https://amzn.to/2upfMga Mikrofon - Marantz Professional MPM1000U: https://amzn.to/2ugyhUk Mikrofonständer: https://amzn.to/2DVvoYg Popschutz - InnoGear 6 Zoll: https://amzn.to/2DZmhWU ## Software für die Videoproduktion ## Gimp: https://www.gimp.org/ OBS: https://obsproject.com/de Audacity: http://www.audacity.de/ Shotcut: https://shotcut.org/ Danke fürs Zuschauen! +1
AIML-4-2-6 Обратное распространение ошибки, пояснения
 
05:53
Смотрите другие видео этого курса, выполняйте упражнения и изучайте интеллектуальные системы и машинное обучение на нашем сайте! https://ulearn.azurewebsites.net/Slide/04d95e9c-2925-4963-b943-f5216274a6e6
Simple explanation of how backpropagation works in deep learning libraries
 
04:43
This video is about GPU presentation
Views: 7314 Ethan Brooks
Data-Mining - Detektion von Mustern (Faltung) mittels FFT (Fast-Fourier-Transformation)
 
02:17
In diesem Video wird das Ergebnis einer Projektarbeit (Data-Mining) mit dem Thema "Detektion von Mustern (Faltung)" in Matlab dargestellt. Hierfür sind 5 Programme entstanden. Einmal für die Musterklassen, jeweils 2 für die eindimensionalen Daten (mit und ohne FFT) und jeweils 2 für die zweidimensionalen Daten (mit und ohne FFT). Das Ergebnis war, dass durch die FFT die Berechnungen deutlich schneller funktionieren. (Multiplikation von f und g im Frequenzraum statt viele geschachtelte Schleifen im Ortsraum) Musik von section31: http://opengameart.org/content/the-gears-of-progress
Views: 373 ErasSoft
Digitalität@Heidelberg: Vortrag Big Data Analytics - Dr. Thomas Keil
 
53:06
Vortrag "Big Data Analytics - Mit Daten Vorhersagen treffen" von Dr. Thomas Keil (SAS), Senior Manager Field Marketing Deutschland am 8. Mai 2017 im Rahmen der Veranstaltungsreihe Digitalitä[email protected]
Views: 347 Stadt Heidelberg
Data Thinking @Metro Group – Vortrag von Klaas Bollhoefer (*um)
 
20:17
Vortrag auf der Data Natives 2016 in Berlin von Klaas Bollhoefer, Chief Data Scient bei The unbelievable Machine Company (*um), dem Full-Service-Dienstleister für Big Data und Cloud Services. Er stellt den Beratungsansatz "Data Thinking" anhand eines realen Cases bei der Metro Group vor. Weitere Informationen zu Data Thinking: https://blog.unbelievable-machine.com/data-thinking-whitepaper
Single Layer Perceptron
 
18:24
Lecture Video Topic (Single Layer Perceptron)
k-nearest-neighbour KNN
 
06:15
------------------------------------- hat dir eines meiner Videos gefallen? Über etwas Unterstützung würde ich mich sehr freuen! http://www.bleeptrack.de/unterstuetzen/
Views: 2643 Bleeptrack
An example of scikit-learn and SciPy used for the analysis of extreme weather
 
11:18
PyCon Canada 2015: https://2015.pycon.ca/en/schedule/54/ Talk Description: There is considerable interest in the effect of climate change on extreme weather in the scientific community and in the public. However, detecting changes in extreme weather events in the observational record is extremely difficult, because extreme events are by definition rare and the instrumental record is not long enough to establish robust statistics for a single station record. In this talk I show how tools from the scientific Python software stack can be used to analyze precipitation (rainfall) data and overcome this problem and detect changes in the observational record. The analysis proceeds in two stages: first a k-means clustering algorithm (sklearn.cluster) is used to aggregate data from different stations that have similar climatological characteristics, and then a theoretical distribution function is fitted to the data (scipy.stats). The first step increases the number of data points to constrain the fit in the second step, assuming all stations in the same cluster have the same underlying distribution. The second step serves to further reduce noise and extrapolate the distribution to the most extreme quantiles. Finally a statistical test (scipy.stats) can be used to detect changes and asses statistical significance. I will introduce the analysis algorithm using historical data from meteorological stations (Environment Canada), but I will also show how this technique can be applied to climate model projections of future climate change. The analysis was conducted using the GeoPy analysis package, which is described in a separate talk. The package is available on GitHub: https://github.com/aerler/GeoPy An extended abstract submitted to the Climate Informatics workshop in Boulder (September 24-25, 2015; 2 pages) is available here: http://www.physics.utoronto.ca/~aerler/files/presentations/ci2015.pdf
Views: 1383 PyCon Canada
2017 - Mit Deep Learning raum-zeitliche Muster erkennen und voraussagen
 
29:37
Die Begriffe Deep Learning und künstliche Intelligenz sind gerade in aller Munde und werden als einer der größten derzeitigen Trends für die GIS-Branche gesehen. Dabei ist die Theorie dahinter schon mehrere Jahrzehnte alt und hat bereits mehrere Hype-Zyklen durchlebt. Die aktuelle Popularität von neuronalen Netzen, welche sich eigentlich hinter Deep Learning verstecken, hat mehrere Gründe: 1. Viele Rechner im Consumer-Bereich sind mittlerweile in der Lage die komplexen Algorithmen zu verarbeiten, 2. Ob Big Data, Open Data, Data Science oder Data Viz – es gibt ein stark gestiegenes Bewusstsein für den Wert von Daten. In vielen Domänen wachsen die Datentöpfe mit dem Versprechen maschinelles Lernen werde uns neue Erkenntnisse liefern und uns Arbeit abnehmen. 3. Mittlerweile existieren mehrere Open-Source-Frameworks, die den Einstieg in Deep Learning so leicht wie nie machen. In dem Vortrag sollen einige freie Projekte vorgestellt werden, in denen Deep Learning Methoden auf Geodaten angewandt werden. Anhand eines Beispiels aus einem laufenden Forschungsprojektes soll gezeigt werden, wie der GIS-Laie trotz der komplizierten Theorie hinter den neuronalen Netzen einen Einstieg in die Welt der künstlichen Intelligenz finden kann. Felix Kunde
Views: 658 FOSSGIS
Build Predictive Models with Machine Learning & Python: Exploring Your First Dataset | packtpub.com
 
10:29
This video tutorial has been taken from Building Predictive Models with Machine Learning and Python. You can learn more and buy the full video course here https://bit.ly/2N08ELm Find us on Facebook -- http://www.facebook.com/Packtvideo Follow us on Twitter - http://www.twitter.com/packtvideo
Views: 101 Packt Video

Nexium generic over the counter
Azicine 200mg zoloft
Laurea specialistica dm 22/05
Differin 0 3 gel 30g bula
Doxazosin genericon 4 mg