Maschinelles Lernen als Kernbestandteil der Wolfram Language

Klassifizierung

Die Wolfram Language erlaubt sowohl die Verwendung vorgefertigter Klassifikatoren als auch die Erstellung eigener Klassifikatoren, um beliebige Daten wie Text, Bilder, Arrays, Audio und Video in eine endliche Anzahl von Kategorien einzuordnen. Beispiele sind die Bestimmung von Pflanzenblättern, Vogelstimmen oder menschlichen Handlungen. Die verfügbaren Methoden reichen von logistischer Regression, Random Forest und Support Vector Machines bis hin zu neuronalen Netzen.

Vortrainierte Klassifizierungsnetze Beispiel zur automatischen Klassifizierung

Regression

Die mit der Wolfram Language mögliche Regressionsanalyse kann Prognosen, z. B. von Preisen, Behandlungseffekten oder Ernteerträgen, erstellen. Sie kommt überall dort zum Einsatz, wo ein Wert aus einer Reihe von Variablen, einschließlich Zahlen, Array, Bildern und Text, vorhergesagt werden soll. Des Weiteren bietet die Wolfram Language eine leistungsstarke Merkmalsextraktion aus beliebigen Datentypen und wahlweise eine automatische Modell- und Paramterauswahl oder eine komplett benutzerdefinierte Anpassung an.

Leitfaden für maschinelles Lernen Regressionsmethoden Vortrainierte Regressionsnetzwerke

Clusteranalyse

Mit der Wolfram Language lassen sich Clusteranalysen mit verschiedenen Methoden durchführen, u. a. werden k-means, spektrales und hierarchisches Clustering unterstützt. Mit der Clusteranalyse lassen sich verschiedene Objekte auf der Grundlage ihrer Ähnlichkeit, ohne vorheriges Wissen, mit unüberwachter Klassifizierung gruppieren und damit beispielsweise Kundentypen, Tiertaxonomien und viele andere Gruppen kategorisieren.

Leitfaden zur Clusteranalyse

Reduzierung der Dimensionalität

Die Wolfram Language kann beliebige Daten in einem niedrigdimensionalen Raum darstellen, um komplexe Datensätze mit mehreren Merkmalen (einschließlich nicht numerischer Merkmale) zu visualisieren und eine Datenkomprimierung oder sogar eine unüberwachte Merkmalsauswahl durchzuführen. Eine Vielzahl von Methoden wie Hauptkomponenten, isometrisches Mapping, T-SNE und UMAP ermöglicht die Modellierung sowohl linearer als auch nichtlinearer Strukturen.

Die Funktion DimensionReduce

Erkennung von Anomalien

Die Wolfram Language unterstützt die nahtlose Visualisierung von Funktionen und Ungleichungen über geometrischen Regionen. Glatt aussehende Diagramme können adaptiv abgetastet und Schnitte für Singularitäten in Kurven und Flächen automatisch erzeugt werden.

Die Funktion AnomalyDetection

Ergänzen fehlender Daten

Fehlende Werte in einem Datensatz können mittels der Wolfram Language automatisch durch die Generierung synthetischer Daten oder anhand einer vorgegebenen Verteilung ergänzt werden. So lassen sich erhebliche Verzerrungen beim Modelltraining durch fehlende Daten aufgrund von Gerätefehlern, beschädigten Dateien oder unvollständigen Dateneingaben vermeiden oder machen sogar das Training erst möglich.

Die Funktion SynthesizeMissingValues

Neuronale Netze

Das einfache, aber flexible Framework zu neuronalen Netzen in der Wolfram Language beantwortet schwierige Fragen wie z. B. "Ist der Regenwald gesund?" oder "Ist auf dem MRT-Scan ein Tumor zu sehen?". In das Framework für neuronale Netze lassen sich bereits trainierte Modelle importieren, Modelle an neue Aufgabenstellungen anpassen, indem man sie neu trainiert, oder es lässt sich ein Modell von Grund auf selbst trainieren.

Tutorial zu Neuronalen Netzen Leitfaden zu Neuronalen Netzen

Verarbeitung natürlicher Sprache

Die Wolfram Language unterstützt die Verarbeitung natürlicher Sprache als wichtigen Bestandteil in Bereichen wie Data Mining, Marktforschung und Kundensupport. So lassen sich beispielsweise Antworten auf Fragen in einem Text finden, jede Erwähnung eines bestimmten Begriffs in einem Text markieren oder die syntaktische Struktur eines Satzes analysieren.

Leitfaden zur Verarbeitung natürlicher Sprache

Computer-Vision

Die Wolfram Language erlaubt nicht nur das effiziente und genaue Auffinden und Erkennen von Objekten, Text, Gesichtern etc. in Bildern, sondern auch fortgeschrittene Segmentierung, Stilisierung u. v. m. durch maschinelles Lernen und neuronale Netzwerkmodelle. Die Lösungen werden überall eingesetzt, von Fahrerassistenzsystemen bis hin zu automatisierter Qualitätskontrolle, Sicherheit, Medizin und anderen Anwendungen.

Wolfram Bildverarbeitung, -analyse und -berechnung Leitfaden für Computer-Vision

Sprachberechnungen

Die Wolfram Language erlaubt die Nutzung maschinellen Lernens zusammen mit Audioverarbeitung, statistischer Analyse und Visualisierung, um einfache und hocheffiziente Sprachberechnungen durchzuführen. Beispiele hierfür sind u. a. die Analyse und Verarbeitung von Sprachsignalen, um stimmhafte Intervalle zu erkennen, Spracherkennung vorzunehmen, Sprecher zu identifizieren oder sogar die Tonhöhe des Sprechers nachträglich zu ändern.

Leitfaden zu Sprachberechnungen

Wolfram Literatur

Introduction to Machine Learning

Etienne Bernard
Wolfram Media Inc.

Das E-Book "Introduction to Machine Learning" kombiniert nachvollziehbare Programmierbeispiele mit erklärendem Text, um zu zeigen, was maschinelles Lernen ist, wie es angewendet werden kann und wie es funktioniert. Perfekt für alle, die neu in der Welt der künstlichen Intelligenz sind oder ihr Verständnis vertiefen wollen, beginnt der Text mit einer kurzen Einführung in die Wolfram Language, die Programmiersprache, die für die Beispiele im Buch verwendet wird. Danach werden die Leser mit den wichtigsten Konzepten vertraut gemacht, bevor gängige Methoden und Paradigmen wie Klassifizierung, Regression, Clustering und Deep Learning erforscht werden. Der mathematische Inhalt wird auf ein Minimum beschränkt, um sich auf das Wesentliche zu konzentrieren - die Anwendung der Konzepte in nützlichen Kontexten. Dieses Buch ist ein Gewinn für jeden, der sich für das faszinierende Gebiet des maschinellen Lernens interessiert.

Zum kostenfreien englischsprachigen E-Book "Introduction to Machine Learning"