Suchergebnisse

Die Universität Tübingen, Bestandteil des Cyber Valleys, der schwäbischen Antwort auf Google, hat mit der simpleshow ein kurzes Erklärvideo zum maschinellen Lernen erstellt:

Dieser Papagei ist generiert und sieht einem echten immerhin ähnlich (Diffusion Bee)Weil die Diskussion um ChatGPT und andere Sprachmodelle einfach nicht abebben will, beteiligen wir uns eben dran. Andernfalls drohen wir noch verrückt zu werden. Debora Weber-Wulff und Constanze Kurz schreiben sich den Frust von der Seele, präsentieren aber auch drei einfache Regeln für eine ethische Verwendung von KI-Systemen.

Dieser Band beschäftigt sich mit dem maschinellen Lernen - der Autoadaption von algorithmischen Artefakten - als Thema interdisziplinärer Diskurse zu beispielsweise Selbstorganisation oder schwacher künstlicher Intelligenz. Anknüpfend an Heidegger, Goodman und Hubig ermöglicht die Studie einen systematischen interdisziplinären Zugang zu maschinellem Lernen, indem seine Charakteristika - etwa künstliche neuronale Netze oder evolutionäres Lernen - präzise, aber dennoch interdisziplinär verständlich beschrieben werden. Darauf aufbauend nimmt Sebastian Harrach eine technikphilosophische Verortung des maschinellen Lernens vor und geht exemplarisch den Denkrichtungen einer interdisziplinären Diskussion nach.

Dieser Band beschäftigt sich mit dem maschinellen Lernen - der Autoadaption von algorithmischen Artefakten - als Thema interdisziplinärer Diskurse zu beispielsweise Selbstorganisation oder schwacher künstlicher Intelligenz. Anknüpfend an Heidegger, Goodman und Hubig ermöglicht die Studie einen systematischen interdisziplinären Zugang zu maschinellem Lernen, indem seine Charakteristika - etwa künstliche neuronale Netze oder evolutionäres Lernen - präzise, aber dennoch interdisziplinär verständlich beschrieben werden. Darauf aufbauend nimmt Sebastian Harrach eine technikphilosophische Verortung des maschinellen Lernens vor und geht exemplarisch den Denkrichtungen einer interdisziplinären Diskussion nach.

Das mehrfach ausgezeichnete Startup contextflow aus Wien hat sich darauf spezialisiert, große medizinische Bilddaten automatisiert analysierbar zu machen. Es bietet Radiologen eine KI-gestützte Suchmaschine an, die es erlaubt, Befunde genauer und schneller zu erstellen. Im Gespräch mit kma erläutert CEO Markus Holzer, wie sie funktioniert.

Dieser Band beschäftigt sich mit dem maschinellen Lernen - der Autoadaption von algorithmischen Artefakten - als Thema interdisziplinärer Diskurse zu beispielsweise Selbstorganisation oder schwacher künstlicher Intelligenz. Anknüpfend an Heidegger, Goodman und Hubig ermöglicht die Studie einen systematischen interdisziplinären Zugang zu maschinellem Lernen, indem seine Charakteristika - etwa künstliche neuronale Netze oder evolutionäres Lernen - präzise, aber dennoch interdisziplinär verständlich beschrieben werden. Darauf aufbauend nimmt Sebastian Harrach eine technikphilosophische Verortung des maschinellen Lernens vor und geht exemplarisch den Denkrichtungen einer interdisziplinären Diskussion nach

Bei der Nutzung von FE-Simulationen in der Auslegung umformtechnischer Prozesse ist es notwendig, die Kontaktbedingungen mit einem Reibwert zu beschreiben. Im industriellen Alltag wird dabei oft auf Erfahrungswerte zurückgegriffen und der Reibwert als konstant angenommen, obgleich vielfach nachgewiesen ist, dass sich der Reibwert in Abhängigkeit von zeitlich und räumlich divergierenden Einflussgrößen ändert. Dieser Beitrag zeigt einen neuartigen Weg auf, das tribologische System mit Ansätzen des maschinellen Lernens (ML) zu beschreiben.

When using FE simulations in the design of forming processes, it is necessary to define a coefficient of friction. In industrial practice, established empirical values are used and the coefficient of friction is assumed to be constant, although it is well known that the coefficient of friction depends on temporally and spatially divergent influencing variables. This paper presents a novel way to describe the tribological system using machine learning (ML) approaches.

Maschinelles Lernen findet in verschiedensten Anwendungsfeldern immer weitere Verbreitung. Die Beiträger*innen versammeln sozialwissenschaftliche und philosophische Perspektiven auf aktuelle Nutzungsarten. Ihre These: Maschinelles Lernen sorgt für epistemische Verunsicherungen und rekonfiguriert die Bedingungen von Sozialität, während es sich gleichzeitig allzu schnellen Verstehensversuchen widersetzt. Diesen Problemen stehen neue Konzepte des maschinellen Lernens als eigenlogischer Forschungsgegenstand gegenüber. Zentral sind dabei sowohl Analysen konkreter Manifestationen der Verfahren in ihrer soziotechnischen Einbettung als auch kritische Reflexionen bestehender Charakterisierungen von KI.

Frontmatter -- Vorwort -- Inhalt -- 1 Actuarial Data Science – Business Cases -- 2 Crashkurs in Data Mining Anwendungen -- 3 Neue Versicherungsprodukte -- 4 Tools, Sprachen, Frameworks -- 5 Informationstechnologie -- 6 Mathematische Verfahren -- 7 Korrelation und kausale Inferenz -- 8 Data Mining -- 9 Gesellschaftliches Umfeld -- A Appendix -- Nachwort & Danksagungen -- Literatur -- Stichwortverzeichnis