Data Science, Machine Learning, AI
/neuralnet Beim Trainieren von neuronalen Netzwerken haben GPUs gegenüber klassischen CPUs einen enormen Geschwindigkeitsvorteil. Mit entsprechender Grafikkarte ist es mittlerweile auch sehr einfach, solche Trainings …
Eines der häufigsten Probleme beim Trainieren von Machine Learning Modellen sind unbalancierte Daten, also ein Datensatz, in dem die Klassen stark ungleich verteilt sind. Wenn …
Ziel beim Machine Learning ist es ein Modell zu trainieren, dass auch auf neuen, bisher ungesehenen Daten funktioniert. Cross Validation ist eine zuverlässige Methode der …
Wenn man Machine-Learning-Modelle trainiert, ist die Wahl der richtigen Metrik zur Modellbewertung entscheidend. Unterschiedliche Aufgaben (z. B. Klassifikation vs. Regression) erfordern unterschiedliche Metriken – und …
Beim Trainieren von Machine-Learning-Modellen entsteht schnell eine Vielzahl an Varianten: unterschiedliche Hyperparameter, Trainingsdaten, Modelle und Evaluationsmetriken. Um den Überblick zu behalten, ist Experiment Tracking unerlässlich. …
In vielen realen Anwendungen sind Zusammenhänge zwischen Variablen nichtlinear. Klassische lineare Regressionsmodelle können solche Zusammenhänge nicht adäquat erfassen. Trotzdem gibt es auch in linearen Regressionsmodellen …
Neuronale Netzwerke sind die Basis vieler moderner KI-Anwendungen, von Bilderkennung bis hin zu großen Sprachmodellen (Large Language Models). In diesem Beitrag wird Schritt für Schritt …
PYMC Um Bayesianische Methoden zu nutzen, benötigt man PYMC. Die offizielle Dokumentation dazu findet sich hier: https://www.pymc.io/welcome.html Die Installation unter Windows ist sehr kompliziert, deshalb …
Konfidenzintervalle legen den Bereich fest, in der ein Wert mit einer bestimmten Wahrscheinlichkeit fällt. Üblich ist das 95%-Konfidenzintervall. Man erwartet, dass der Wert mit 95%iger …
Hyperparameter sind abhängig vom jeweiligen Modell festgelegte Einstellungen, welche die Konfiguration des Modells verändern. Bspw. die Anzahl der Bäume in einem Random Forest. Es gibt …
