To see the other types of publications on this topic, follow the link: Maschinelles Lernen.

Journal articles on the topic 'Maschinelles Lernen'

Create a spot-on reference in APA, MLA, Chicago, Harvard, and other styles

Select a source type:

Consult the top 50 journal articles for your research on the topic 'Maschinelles Lernen.'

Next to every source in the list of references, there is an 'Add to bibliography' button. Press on it, and we will generate automatically the bibliographic reference to the chosen work in the citation style you need: APA, MLA, Harvard, Chicago, Vancouver, etc.

You can also download the full text of the academic publication as pdf and read online its abstract whenever available in the metadata.

Browse journal articles on a wide variety of disciplines and organise your bibliography correctly.

1

Vietz, Hannes, Benjamin Maschler, Hasan Tercan, Christian Bitter, Tobias Meisen, and Michael Weyrich. "Industrielles Transfer-Lernen." atp magazin 63, no. 9 (2022): 86–93. http://dx.doi.org/10.17560/atp.v63i9.2588.

Full text
Abstract:
Trotz hoher Lösungspotenziale des maschinellen Lernens für gängige Probleme der Automatisierungstechnik finden sich in der Praxis wenig Anwendungsbeispiele. Um der Ursache hierfür auf den Grund zu gehen, zeigen die Autoren anhand von vier beispielhaften Anwendungsfällen die Hürden für konventionelles maschinelles Lernen auf und benennen Lösungsansätze mittels industriellem Transfer-Lernen. Zum großflächigen Einsatz derartiger Ansätze, fehlt es an Voraussetzungen, deren Schaffungjedoch anders als beim konventionellen maschinellen Lernen grundsätzlich möglich ist. Der Artikel schließt mit einer Betrachtung dieser Voraussetzungen und macht Vorschläge, wie sie zu erfüllen sind.
APA, Harvard, Vancouver, ISO, and other styles
2

Krüger, Dirk, and Moritz Krell. "Maschinelles Lernen mit Aussagen zur Modellkompetenz." Zeitschrift für Didaktik der Naturwissenschaften 26, no. 1 (2020): 157–72. http://dx.doi.org/10.1007/s40573-020-00118-7.

Full text
Abstract:
ZusammenfassungVerfahren des maschinellen Lernens können dazu beitragen, Aussagen in Aufgaben im offenen Format in großen Stichproben zu analysieren. Am Beispiel von Aussagen von Biologielehrkräften, Biologie-Lehramtsstudierenden und Fachdidaktiker*innen zu den fünf Teilkompetenzen von Modellkompetenz (NTraining = 456; NKlassifikation = 260) wird die Qualität maschinellen Lernens mit vier Algorithmen (naïve Bayes, logistic regression, support vector machines und decision trees) untersucht. Evidenz für die Validität der Interpretation der Kodierungen einzelner Algorithmen liegt mit zufriedenstellender bis guter Übereinstimmung zwischen menschlicher und computerbasierter Kodierung beim Training (345–607 Aussagen je nach Teilkompetenz) vor, bei der Klassifikation (157–260 Aussagen je nach Teilkompetenz) reduziert sich dies auf eine moderate Übereinstimmung. Positive Korrelationen zwischen dem kodierten Niveau und dem externen Kriterium Antwortlänge weisen darauf hin, dass die Kodierung mit naïve Bayes keine gültigen Ergebnisse liefert. Bedeutsame Attribute, die die Algorithmen bei der Klassifikation nutzen, entsprechen relevanten Begriffen der Niveaufestlegungen im zugrunde liegenden Kodierleitfaden. Abschließend wird diskutiert, inwieweit maschinelles Lernen mit den eingesetzten Algorithmen bei Aussagen zur Modellkompetenz die Qualität einer menschlichen Kodierung erreicht und damit für Zweitkodierungen oder in Vermittlungssituationen genutzt werden könnte.
APA, Harvard, Vancouver, ISO, and other styles
3

Welsch, Andreas, Verena Eitle, and Peter Buxmann. "Maschinelles Lernen." HMD Praxis der Wirtschaftsinformatik 55, no. 2 (2018): 366–82. http://dx.doi.org/10.1365/s40702-018-0404-z.

Full text
APA, Harvard, Vancouver, ISO, and other styles
4

Morik, Katharina. "Schlüsseltechnologie Maschinelles Lernen." Digitale Welt 2, no. 4 (2018): 22–27. http://dx.doi.org/10.1007/s42354-018-0120-4.

Full text
APA, Harvard, Vancouver, ISO, and other styles
5

Boenisch, Franziska. "Privatsphäre und Maschinelles Lernen." Datenschutz und Datensicherheit - DuD 45, no. 7 (2021): 448–52. http://dx.doi.org/10.1007/s11623-021-1469-3.

Full text
APA, Harvard, Vancouver, ISO, and other styles
6

Kleesiek, Jens, Jacob M. Murray, Christian Strack, Georgios Kaissis, and Rickmer Braren. "Wie funktioniert maschinelles Lernen?" Der Radiologe 60, no. 1 (2019): 24–31. http://dx.doi.org/10.1007/s00117-019-00616-x.

Full text
APA, Harvard, Vancouver, ISO, and other styles
7

Hahn, Peter. "Künstliche Intelligenz und Maschinelles Lernen." Handchirurgie · Mikrochirurgie · Plastische Chirurgie 51, no. 01 (2019): 62–67. http://dx.doi.org/10.1055/a-0826-4789.

Full text
Abstract:
ZusammenfassungMaschinelles Lernen (ML), ein Teilbereich der Künstlichen Intelligenz, ist die Fähigkeit von Computer-Algorithmen, Wissen aus Beispielen zu lernen, ohne dafür explizit programmiert zu sein und dieses Wissen dann auf unbekannte Fälle anzuwenden. Die Anwendung von ML in der Medizin wird in den nächsten Jahren exponentiell zunehmen. Ärzte sollten daher über die prinzipiellen Arten von ML sowie den Prozess des ML grundlegende Kenntnisse haben. Denn nur so ist es möglich, ML optimal zu nutzen und die Grenzen und Probleme des Verfahrens zu erkennen.
APA, Harvard, Vancouver, ISO, and other styles
8

Brecher, Christian, Janis Ochel, Vincent Lohrmann, and Marcel Fey. "Merkmalsbasierte Qualitätsprädiktion durch maschinelles Lernen." ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 114, no. 11 (2019): 784–87. http://dx.doi.org/10.3139/104.112177.

Full text
APA, Harvard, Vancouver, ISO, and other styles
9

Stürenburg, Lukas, Marcel Wichmann, Marius Lindauer, and Berend Denkena. "Maschinelles Lernen in der Prozessplanung." VDI-Z 163, no. 11-12 (2021): 26–29. http://dx.doi.org/10.37544/0042-1766-2021-11-12-26.

Full text
Abstract:
Formfehler beschreiben ungewollte Konturabweichungen, die während der spanenden Bearbeitung auftreten und zu aufwendigen Nacharbeiten oder sogar kostspieligem Ausschuss führen können. Beschrieben wird, wie sich mit automatisiertem maschinellen Lernen der Verschleiß und die Formabweichungen in der Zerspanung vorhersagen lässt.
APA, Harvard, Vancouver, ISO, and other styles
10

Kalabis, Marcus, Uwe Hoffmann, and Cyril Coerman. "Maschinelles Lernen bei der Fahrwerksentwicklung." ATZextra 26, S6 (2021): 32–36. http://dx.doi.org/10.1007/s35778-021-0492-1.

Full text
APA, Harvard, Vancouver, ISO, and other styles
11

Koch, Heiner. "Intransparente Diskriminierung durch maschinelles Lernen." Zeitschrift für Praktische Philosophie 7, no. 1 (2020): 265–300. http://dx.doi.org/10.22613/zfpp/7.1.9.

Full text
APA, Harvard, Vancouver, ISO, and other styles
12

Langs, Georg, Ulrike Attenberger, Roxane Licandro, et al. "Maschinelles Lernen in der Radiologie." Der Radiologe 60, no. 1 (2020): 6–14. http://dx.doi.org/10.1007/s00117-019-00624-x.

Full text
Abstract:
Zusammenfassung Methodisches Problem Maschinelles Lernen (ML) nimmt zunehmend Einzug in die Radiologie, um Aufgaben wie die automatische Detektion und Segmentation von diagnoserelevanten Bildmerkmalen, die Charakterisierung von Krankheits- und Behandlungsverläufen sowie Vorhersagen für individuelle Patienten durchzuführen. Radiologische Standardverfahren Die Anwendung von ML-Algorithmen ist für alle radiologischen Verfahren von der Computertomographie (CT), über die Magnetresonanztomographie (MRT) bis zum Ultraschall relevant. Verschiedene Modalitäten führen zu unterschiedlichen Herausforderungen bezüglich Standardisierung und Variabilität. Methodische Innovationen ML-Algorithmen sind zunehmend in der Lage, auch longitudinale Beobachtungen zu verarbeiten und für das Training von Vorhersagemodellen zu nutzen. Diese Entwicklung erlaubt es, umfassende Informationen für die Vorhersage individueller Verläufe heranzuziehen. Leistungsfähigkeit Die Qualität der Detektion und Segmentation von Läsionen hat in vielen Bereichen ein akzeptables Niveau erreicht, die Genauigkeit von Vorhersagemodellen muss diese aber erst erreichen, was u. a. auch mit der Verfügbarkeit repräsentativer Trainingsdaten zusammenhängt. Bewertung Die Entwicklung von ML-basierten Anwendungen in der Radiologie schreitet, trotz dass sich viele der Lösungen noch im Evaluationsstadium befinden, voran, und wird durch eine parallele Weiterentwicklung der grundlegenden Methoden und Techniken begleitet, die sukzessive in die Praxis übergehen werden. Empfehlung für die Praxis Maßgeblich für den effektiven Einsatz von ML in der Praxis sind die Validierung der Algorithmen und die Erstellung repräsentativer Datensätze, die sowohl für das Training als auch für die Validierung verwendet werden können.
APA, Harvard, Vancouver, ISO, and other styles
13

Frey, Christian, and Lars Wessels. "Maschinelles Lernen für die Produktion." maschinenbau 2, no. 6 (2022): 20–23. http://dx.doi.org/10.1007/s44029-022-0717-0.

Full text
APA, Harvard, Vancouver, ISO, and other styles
14

Kohlhase, Mathias, Ferit Küçükay, Roman Henze, and Can Yilmaz. "Prädiktive Fahrzeugdiagnose durch maschinelles Lernen." MTZ - Motortechnische Zeitschrift 81, no. 10 (2020): 74–79. http://dx.doi.org/10.1007/s35146-020-0291-z.

Full text
APA, Harvard, Vancouver, ISO, and other styles
15

Sappl, Johannes, Matthias Harders, and Wolfgang Rauch. "Maschinelles Lernen in der Siedlungswasserwirtschaft." Österreichische Wasser- und Abfallwirtschaft 71, no. 7-8 (2019): 359–68. http://dx.doi.org/10.1007/s00506-019-0595-8.

Full text
APA, Harvard, Vancouver, ISO, and other styles
16

Oschatz, Corinna, Marius Sältzer, and Sebastian Stier. "Establishing standards for human-annotated samples applied in supervised machine learning – Evidence from a Monte Carlo simulation." Studies in Communication and Media 12, no. 4 (2023): 289–304. http://dx.doi.org/10.5771/2192-4007-2023-4-289.

Full text
Abstract:
Automatisierte Inhaltsanalysen sind ein häufig genutztes Instrument zur Beantwortung kommunikationswissenschaftlicher Forschungsfragen. Während Standards für die manuelle Inhaltsanalyse bereits vor Jahrzehnten etabliert wurden, bleibt zu klären, ob diese Standards für den Einsatz manuell generierter Daten im maschinellen Lernen aus- reichen. Wissenschaftler folgen in der Regel einem zweistufigen Verfahren, um mit ihren Modellen qualitativ hochwertige Vorhersagen zu treffen: eine manuelle Inhaltsanalyse, gefolgt von einem Modelltraining mit diesen handcodierten Daten. Bei diesem Vorgehen können allerdings Verzerrungen entstehen, die wir in einer Monte-Carlo-Simulation identifizieren. Simuliert werden (1) Kodierfehler (zufällig, individuell systematisch, gemeinsam systematisch) und (2) Kuratierungsstrategien (ein Kodierer pro Dokument, Mehrheitsregel, vollständige Übereinstimmung) als zwei aufeinanderfolgende Fehlerquellen. Die Ergebnisse zeigen, dass die Übereinstimmung der Codierer vor der manuellen Inhaltsanalyse ein wichtiges Quali- tätskriterium für automatisierte Inhaltsanalysen bleibt. Koeffizienten von mindestens Krippendorff’s Alpha = .8 sind wünschenswert, um zufriedenstellende Vorhersageergebnis- se durch maschinelles Lernen zu erzielen. Systematische Fehler der Codierer (individuelle und gemeinsame) müssen unbedingt vermieden werden. Die besten Ergebnisse erzielen die Kurationsstrategien „ein Kodierer pro Dokument“ oder „Mehrheitscodierung“. Die Studie dient Forschern dazu, zuverlässige Vorhersagen beim Einsatz manueller Inhaltsanalysen im maschinellen Lernen zu erzielen.
APA, Harvard, Vancouver, ISO, and other styles
17

Jiménez-Franco, Luis David, Peter Kletting, and Gerhard Glatting. "Möglichkeiten zur Verbesserung der Dosimetrie und Therapieplanung in der Molekularen Radiotherapie durch maschinelles Lernen." Der Nuklearmediziner 42, no. 02 (2019): 148–56. http://dx.doi.org/10.1055/a-0838-8080.

Full text
Abstract:
ZusammenfassungDie Molekulare Strahlentherapie ist eine systemische oder lokoregionäre Therapie, bei der dem Patienten ein Radionuklid oder ein radioaktiv markiertes Arzneimittel verabreicht wird. Ziel ist es, die Tumorzellen abzutöten und gleichzeitig das Normalgewebe zu schonen. Die Therapieplanung umfasst deshalb die prätherapeutische Bestimmung der zu verabreichenden Aktivitätsmenge, der Substanzmenge und der zeitlichen Abfolge möglicher die Pharmakokinetik modulierender Interventionen/Injektionen.Der Einsatz der künstlichen Intelligenz und insbesondere des maschinellen Lernens (ML) sind in letzter Zeit immer mehr in den Fokus auch der Bildgebung und Therapie mit ionisierenden Strahlen gerückt.In dieser Übersichtsarbeit wird ein Verfahren der individualisierten Therapieplanung für die Molekulare Strahlentherapie anhand eines Ablaufplanes vorgestellt. Dabei werden die Möglichkeiten diskutiert, durch den Einsatz von maschinellem Lernen die Therapieplanung zu verbessern. Der Einsatz von ML besitzt ein großes Potenzial in der Dosimetrie und Behandlungsplanung in der Molekularen Strahlentherapie. Jedoch sind noch weitere Anstrengungen erforderlich, um genügend relevante Daten zu sammeln und diese mittels ML effizient zur Verbesserung der Dosimetrie und Behandlungsplanung in der Molekularen Strahlentherapie zu nutzen.
APA, Harvard, Vancouver, ISO, and other styles
18

Brecher, Christian, Janis Ochel, Vincent Lohrmann, and Marcel Fey. "Maschinelles Lernen zur Prädiktion der Bauteilqualität." ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 115, no. 11 (2020): 834–37. http://dx.doi.org/10.3139/104.112458.

Full text
APA, Harvard, Vancouver, ISO, and other styles
19

Giusti, Andrea, Dieter Steiner, Walter Gasparetto, et al. "Kollaborative Robotik – Maschinelles Lernen durch Imitation." Industrie 4.0 Management 2019, no. 3 (2019): 43–46. http://dx.doi.org/10.30844/i40m_19-3_s43-46.

Full text
APA, Harvard, Vancouver, ISO, and other styles
20

Wilkens, Sascha. "Maschinelles Lernen am Beispiel von Optionspreisen." WiSt - Wirtschaftswissenschaftliches Studium 49, no. 2-3 (2020): 70–78. http://dx.doi.org/10.15358/0340-1650-2020-2-3-70.

Full text
Abstract:
Die Fallstudie zeigt an einem konkreten Beispiel aus der Kapitalmarktlehre, wie "maschinelles Lernen" in der Form eines neuronalen Netzes angewendet werden kann. Die Implementierung eines elementaren Verfahrens bedarf lediglich weniger algorithmischer Schritte und das Ergebnis wird dem klassischer Ansätze wie etwa linearer Regression häufig überlegen sein.
APA, Harvard, Vancouver, ISO, and other styles
21

Schiekofer, Peter, Yusuf Erdogan, Stefan Schindler, and Markus Wendl. "Maschinelles Lernen für das automatisierte Fahren." ATZ - Automobiltechnische Zeitschrift 121, no. 12 (2019): 48–51. http://dx.doi.org/10.1007/s35148-019-0151-7.

Full text
APA, Harvard, Vancouver, ISO, and other styles
22

Bredehorn, Thomas, and Lars Johow. "Forschungsvorhaben KIK_DISPO: KI in der Krankenhaus-Transport-Disposition." Klinik Einkauf 02, no. 06 (2020): 36–38. http://dx.doi.org/10.1055/s-0040-1721931.

Full text
Abstract:
Die Digitalisierung der Arbeitswelt schreitet kontinuierlich voran. Künstliche Intelligenz und Maschinelles Lernen können zukunftsweisende Mehrwerte schaffen – nicht nur in der Industrie, sondern (oder gerade) auch im Krankenhausumfeld.
APA, Harvard, Vancouver, ISO, and other styles
23

Hanuschkin, Alexander, Jürgen Schorr, Christian Krüger, and Steven Peters. "Maschinelles Lernen als Analysewerkzeug in der Motorenforschung." ATZelektronik 16, no. 1-2 (2021): 46–49. http://dx.doi.org/10.1007/s35658-020-0571-x.

Full text
APA, Harvard, Vancouver, ISO, and other styles
24

Facharztmagazine, Redaktion. "Maschinelles Lernen hilft beim Aufspüren von Rückenfehlstellungen." Orthopädie & Rheuma 24, no. 4 (2021): 10–11. http://dx.doi.org/10.1007/s15002-021-3344-x.

Full text
APA, Harvard, Vancouver, ISO, and other styles
25

Hagendorff, Thilo. "Maschinelles Lernen und Diskriminierung: Probleme und Lösungsansätze." Österreichische Zeitschrift für Soziologie 44, S1 (2019): 53–66. http://dx.doi.org/10.1007/s11614-019-00347-2.

Full text
APA, Harvard, Vancouver, ISO, and other styles
26

Oehler, Karsten. "Ist maschinelles Lernen in der Planung einsetzbar?" Controlling & Management Review 64, no. 3 (2020): 22–31. http://dx.doi.org/10.1007/s12176-020-0095-5.

Full text
APA, Harvard, Vancouver, ISO, and other styles
27

Kucera, Martin. "Maschinelles Lernen: Die Software zur sekundenschnellen Referenzfallsuche." kma - Klinik Management aktuell 24, no. 01/02 (2019): 67–69. http://dx.doi.org/10.1055/s-0036-1595639.

Full text
Abstract:
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.
APA, Harvard, Vancouver, ISO, and other styles
28

Trösemeier, Jan-Hendrik, Sophia Rudorf, Holger Lößner, Benjamin Hofner, and Christel Kamp. "Modellentwicklung und maschinelles Lernen erhöhen die Proteinausbeute." BIOspektrum 26, no. 3 (2020): 262–64. http://dx.doi.org/10.1007/s12268-020-1369-3.

Full text
APA, Harvard, Vancouver, ISO, and other styles
29

Pflüger, Philipp M., and Frank Glorius. "Molekulares maschinelles Lernen: Die Zukunft der Synthesechemie?" Angewandte Chemie 132, no. 43 (2020): 19020–25. http://dx.doi.org/10.1002/ange.202008366.

Full text
APA, Harvard, Vancouver, ISO, and other styles
30

George, Janine, and Markus Suta. "Neue Materialien vorhersagen: Maschinelles Lernen als Werkzeug." Nachrichten aus der Chemie 68, no. 2 (2020): 49–52. http://dx.doi.org/10.1002/nadc.20204093535.

Full text
APA, Harvard, Vancouver, ISO, and other styles
31

Schlicher, Max, and Klaus Möller. "AutoML im Controlling." Controlling 34, no. 2 (2022): 39–42. http://dx.doi.org/10.15358/0935-0381-2022-2-39.

Full text
Abstract:
Mit der Demokratisierung von künstlicher Intelligenz bekommen auch Controller die Möglichkeit, automatisiertes Maschinelles Lernen einzusetzen. AutoML-Systeme (Automated Machine Learning) können in endnutzer- und expertenorientierte Systeme unterteilt werden. Als Startpunkt für das Controlling eignen sich endnutzerorientierte AutoML-Systeme am besten.
APA, Harvard, Vancouver, ISO, and other styles
32

Döring, Marco. "Effizienzsteigerung für Rotating Equipment." CITplus 27, no. 1-2 (2024): 36–37. http://dx.doi.org/10.1002/citp.202400111.

Full text
Abstract:
AbstractDie Prozessindustrie setzt auf Innovation, Effizienz, Nachhaltigkeit und Anpassungsfähigkeit, unterstützt durch Technologien wie künstliche Intelligenz, maschinelles Lernen und fortschrittliche Analysetools, um die Prozesse nachhaltiger zu gestalten. Mit einer Analysesoftware lassen sich die wirtschaftliche Rentabilität von Rotating Equipment bewerten und Energieeinsparungen erzielen.
APA, Harvard, Vancouver, ISO, and other styles
33

Margraf, Johannes. "Trendbericht Theoretische Chemie 2023 (1/3): Maschinelles Lernen jenseits von Potenzialenergiehyperflächen." Nachrichten aus der Chemie 71, no. 11 (2023): 60–62. http://dx.doi.org/10.1002/nadc.20234138921.

Full text
Abstract:
AbstractMaschinelles Lernen: Bisher zielten Anwendungen vor allem auf das Lernen von Potenzialenergiehyperflächen, derzeit zeigen sich viele neue Forschungsrichtungen. Molekülschwingungen in der Thermodynamik: Berechnung in Theorie und Simulation. Ultrakurze Laserpulse zum Beobachten molekularer Dynamik: Da die Bewegung von Elektronen genauso schnell ist wie die zeitliche Ausdehnung der Pulse, sind die Pulseigenschaften bei Simulationen explizit zu berücksichtigen.
APA, Harvard, Vancouver, ISO, and other styles
34

Sonka, Adrian, Silvia Thal, Roman Henze, and Lars Seghorn. "Maschinelles Lernen als Schlüsseltechnologie für das automatisierte Fahren." ATZ - Automobiltechnische Zeitschrift 123, no. 5-6 (2021): 44–49. http://dx.doi.org/10.1007/s35148-021-0691-5.

Full text
APA, Harvard, Vancouver, ISO, and other styles
35

Kampker, Achim, Kai Kreisköther, Max Kleine Büning, Tom Möller, and Max Busch. "Vorausschauende Instandhaltung durch Maschinelles Lernen in der Prozessindustrie." ZWF Zeitschrift für wirtschaftlichen Fabrikbetrieb 113, no. 4 (2018): 195–98. http://dx.doi.org/10.3139/104.111890.

Full text
APA, Harvard, Vancouver, ISO, and other styles
36

Ruediger-Flore, Patrick, Moritz Glatt, and Jan C. Aurich. "Maschinelles Lernen bei hohem Variantenreichtum und kleinen Serien." Zeitschrift für wirtschaftlichen Fabrikbetrieb 116, no. 7-8 (2021): 538–43. http://dx.doi.org/10.1515/zwf-2021-0125.

Full text
Abstract:
Abstract Mit der fortschreitenden Digitalisierung wachsen die Forderungen nach der Ausschöpfung des Potentials der dabei erhobenen Daten. Hierfür haben die Methoden des Maschinellen Lernens ihre Praxistauglichkeit bewiesen. Jedoch ergeben sich bei der Anwendung dieser Technologie in Produktionssystemen mit hohem Variantenreichtum und kleinen Serien, vielschichtige Herausforderungen. Das Feature Engineering als Teil der Datenaufbereitung birgt hierbei ein großes Potential zur deren Bewältigung. Anhand des Beispiels der Nutzfahrzeugproduktion werden in diesem Beitrag Handlungsempfehlungen hierzu aufgezeigt.
APA, Harvard, Vancouver, ISO, and other styles
37

Nguyen, Phong, Alexander J. Ohnmacht, Ana Galhoz, Maren Büttner, Fabian Theis, and Michael P. Menden. "Künstliche Intelligenz und maschinelles Lernen in der Diabetesforschung." Der Diabetologe 17, no. 8 (2021): 788–98. http://dx.doi.org/10.1007/s11428-021-00817-w.

Full text
APA, Harvard, Vancouver, ISO, and other styles
38

Dullien, Thomas. "Maschinelles Lernen und künstliche Intelligenz in der Informationssicherheit." Datenschutz und Datensicherheit - DuD 42, no. 10 (2018): 618–22. http://dx.doi.org/10.1007/s11623-018-1012-3.

Full text
APA, Harvard, Vancouver, ISO, and other styles
39

Winter, Nils Ralf, and Tim Hahn. "Big Data‚ KI und Maschinenlernen auf dem Weg zur Precision-Psychiatry – wie verändern sie den therapeutischen Alltag?" Fortschritte der Neurologie · Psychiatrie 88, no. 12 (2020): 786–93. http://dx.doi.org/10.1055/a-1234-6247.

Full text
Abstract:
ZusammenfassungDerzeit sehen wir verstärkt Ansätze in der psychiatrischen Forschung, die sich mit prognostischen Modellen und einer individualisierten Diagnosestellung und Therapieauswahl beschäftigen. Vor diesem Hintergrund strebt die Precision-Psychiatry, wie auch andere Teildisziplinen der Medizin, eine präzisere Diagnostik und individualisierte Therapie durch Big Data an. Die elektronische Patientenakte, Datenerfassung durch Smartphones und technische Fortschritte in der Genotypisierung und Bildgebung ermöglichen eine detaillierte klinische und neurobiologische Beschreibung einer Vielzahl von Patienten. Damit diese Daten tatsächlich zu einem Paradigmenwechsel in der Behandlung psychischer Störungen führen, braucht es eine Personalisierung der Psychiatrie durch Maschinelles Lernen (ML) und Künstliche Intelligenz (KI). Neben der Digitalisierung der Klinik müssen wir daher eine KI-Infrastruktur etablieren, in der maßgeschneiderte KI- und ML-Lösungen entwickelt und nach hohen Validierungsstandards evaluiert werden können. Zusätzlich müssen Modellvorhersagen und detaillierte Patienteninformationen in KI-basierte Clinical-Decision-Support-Systeme (CDSS) integriert werden. Nur so können Big Data, Maschinelles Lernen und Künstliche Intelligenz den Behandler im therapeutischen Alltag aktiv und effizient unterstützen und eine personalisierte Behandlung erreichen.
APA, Harvard, Vancouver, ISO, and other styles
40

Ringe, Wolf-Georg, Alessio Azzutti, and Siegfried Stiehl. "Künstliche Intelligenz und Marktmanipulation." Zeitschrift für Bankrecht und Bankwirtschaft 34, no. 6 (2022): 341–56. http://dx.doi.org/10.15375/zbb-2022-0604.

Full text
Abstract:
Zusammenfassung Am modernen Kapitalmarkt werden zunehmend durch Künstliche Intelligenz (KI) und maschinelles Lernen (ML) gesteuerte Algorithmen eingesetzt. Neben enormen Effizienzgewinnen ergeben sich bei den fortschrittlichsten, selbstlernenden Algorithmen jedoch erhebliche Risiken für die Marktintegrität. Der vorliegende Beitrag zeigt auf, wie KI-Akteure selbständig Methoden des Marktmissbrauchs lernen können und konzentriert sich dabei auf Formen der Marktmanipulation und auf stillschweigende Absprachen. Der Beitrag hinterfragt zudem die Angemessenheit bestehender regulatorischer Rahmenbedingungen und Durchsetzungsmechanismen sowie aktueller Rechtsvorschriften zur Governance des algorithmischen Handels, um zunehmend autonomen und allgegenwärtigen algorithmischen Handelssystemen zu begegnen.
APA, Harvard, Vancouver, ISO, and other styles
41

Trulson, Inga, Frank Klawonn, Stefan Holdenrieder, and Georg Hoffmann. "Praktische Herausforderungen beim maschinellen Lernen: Auf die Datenaufbereitung kommt es an." Trillium Diagnostik 22, no. 1 (2024): 55–57. http://dx.doi.org/10.47184/td.2024.01.07.

Full text
Abstract:
In der Laboratoriumsmedizin kann maschinelles Lernen eingesetzt werden, um in den reichlich vorhandenen Daten verborgene Strukturen und Zusammenhänge zu entdecken oder die Diagnosefindung zu unterstützen. Am Beispiel eines Datensatzes aus der Onkologie werden die einzelnen Prozessschritte von den Rohdaten bis zum fertigen Ergebnis demonstriert. Dabei verursacht die Datenaufbereitung den höchsten Aufwand.
APA, Harvard, Vancouver, ISO, and other styles
42

Geißler, Stefan. "Maschinelles Lernen und NLP: Reif für die industrielle Anwendung!" Information - Wissenschaft & Praxis 70, no. 2-3 (2019): 134–40. http://dx.doi.org/10.1515/iwp-2019-2007.

Full text
Abstract:
Zusammenfassung Anwendungen von maschinellen Lernverfahren (ML) haben in jüngster Zeit aufsehenerregende Durchbrüche bei einer ganzen Reihe von Aufgaben in der maschinellen Sprachverarbeitung (NLP) erzielt. Der Fokus vieler Arbeiten liegt hierbei in der Entwicklung immer besserer Modelle, während der Anteil der Aufgaben in praktischen Projekten, der sich nicht mit Modellbildung, sondern mit Themen wie Datenbereitstellung sowie Evaluierung, Wartung und Deployment von Modellen beschäftigt, oftmals noch nicht ausreichend Beachtung erfährt. Im Ergebnis fehlen gerade Unternehmen, die nicht die Möglichkeit haben, eigene Plattformen für den Einsatz von ML und NLP zu entwerfen, oft geeignete Werkzeuge und Best Practices. Es ist zeichnet sich ab, dass in den kommenden Monaten eine gerade diesen praktischen Fragen zugewandte Ingenieurssicht auf ML und ihren Einsatz im Unternehmen an Bedeutung gewinnen wird.
APA, Harvard, Vancouver, ISO, and other styles
43

Kleesiek, J., J. M. Murray, C. Strack, S. Prinz, G. Kaissis, and R. Braren. "Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung." best practice onkologie 16, no. 4 (2021): 176–85. http://dx.doi.org/10.1007/s11654-021-00298-9.

Full text
APA, Harvard, Vancouver, ISO, and other styles
44

Scharkow, Michael. "Zur Verknüpfung manueller und automatischer Inhaltsanalyse durch maschinelles Lernen." Medien & Kommunikationswissenschaft 59, no. 4 (2011): 545–62. http://dx.doi.org/10.5771/1615-634x-2011-4-545.

Full text
APA, Harvard, Vancouver, ISO, and other styles
45

Burger, Michael. "Daten, Künstliche Intelligenz und Maschinelles Lernen in der Fahrzeugentwicklung." Mitteilungen der Deutschen Mathematiker-Vereinigung 30, no. 3 (2022): 179–85. http://dx.doi.org/10.1515/dmvm-2022-0060.

Full text
APA, Harvard, Vancouver, ISO, and other styles
46

Wälscher, Julia. "Maschinelles Lernen hilft, Manifestation und Verlauf einer LAM einzuschätzen." Pneumo News 14, no. 2 (2022): 16–17. http://dx.doi.org/10.1007/s15033-022-2822-4.

Full text
APA, Harvard, Vancouver, ISO, and other styles
47

Safar, Milad. "Die Top 10 Anwendungsfälle für Maschinelles Lernen in Unternehmen." Digitale Welt 5, no. 3 (2021): 42–43. http://dx.doi.org/10.1007/s42354-021-0362-4.

Full text
APA, Harvard, Vancouver, ISO, and other styles
48

Jäger, M., C. Mayer, H. Hefter, M. Siebler, and A. Kecskeméthy. "Big Data und maschinelles Lernen bei Prävention und Rehabilitation." Der Orthopäde 47, no. 10 (2018): 826–33. http://dx.doi.org/10.1007/s00132-018-3603-y.

Full text
APA, Harvard, Vancouver, ISO, and other styles
49

Molitor, Dirk, Stefan Volz, Jonas Launhardt, and Peter Groche. "Maschinelles Lernen in der Tribologie/Machine learning in tribology." wt Werkstattstechnik online 112, no. 10 (2022): 643–48. http://dx.doi.org/10.37544/1436-4980-2022-10-13.

Full text
Abstract:
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.
APA, Harvard, Vancouver, ISO, and other styles
50

Kleesiek, Jens, Jacob M. Murray, Georgios Kaissis, and Rickmer Braren. "Künstliche Intelligenz und maschinelles Lernen in der onkologischen Bildgebung." Der Onkologe 26, no. 1 (2019): 60–65. http://dx.doi.org/10.1007/s00761-019-00679-4.

Full text
APA, Harvard, Vancouver, ISO, and other styles
We offer discounts on all premium plans for authors whose works are included in thematic literature selections. Contact us to get a unique promo code!

To the bibliography