| Property |
Value |
| dbo:abstract
|
- Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung:Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung). Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt automatisierte Diagnoseverfahren, Erkennung von Kreditkartenbetrug, Aktienmarktanalysen, Klassifikation von Nukleotidsequenzen, Sprach- und Texterkennung und autonome Systeme. Das Thema ist eng verwandt mit „Knowledge Discovery in Databases“ und „Data-Mining“, bei dem es jedoch vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Viele Algorithmen können für beide Ziele verwendet werden, und insbesondere kann „Knowledge Discovery in Databases“ verwendet werden, um Lerndaten für „maschinelles Lernen“ zu produzieren oder vorzuverarbeiten, und Algorithmen aus dem maschinellen Lernen finden beim Data-Mining Anwendung. (de)
- Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung:Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung). Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt automatisierte Diagnoseverfahren, Erkennung von Kreditkartenbetrug, Aktienmarktanalysen, Klassifikation von Nukleotidsequenzen, Sprach- und Texterkennung und autonome Systeme. Das Thema ist eng verwandt mit „Knowledge Discovery in Databases“ und „Data-Mining“, bei dem es jedoch vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Viele Algorithmen können für beide Ziele verwendet werden, und insbesondere kann „Knowledge Discovery in Databases“ verwendet werden, um Lerndaten für „maschinelles Lernen“ zu produzieren oder vorzuverarbeiten, und Algorithmen aus dem maschinellen Lernen finden beim Data-Mining Anwendung. (de)
|
| dbo:individualisedGnd
| |
| dbo:isbn
|
- 978-0-07-115467-3
- 978-0-13-106360-0
- 978-0-387-31073-2
- 978-0-387-84857-0
- 978-0-521-64298-9
|
| dbo:originalTitle
|
- Machine Learning (de)
- Pattern Recognition and Machine Learning (de)
- The Elements of Statistical Learning (de)
- Information Theory, Inference and Learning Algorithms (de)
- Machine Learning, Neural and Statistical Classification (de)
- Machine Learning (de)
- Pattern Recognition and Machine Learning (de)
- The Elements of Statistical Learning (de)
- Information Theory, Inference and Learning Algorithms (de)
- Machine Learning, Neural and Statistical Classification (de)
|
| dbo:wikiPageExternalLink
| |
| dbo:wikiPageID
| |
| dbo:wikiPageRevisionID
| |
| prop-de:auflage
| |
| prop-de:autor
|
- Christopher M. Bishop
- D. Michie, D. J. Spiegelhalter
- David J. C. MacKay
- Thomas Mitchell
- Trevor Hastie, Robert Tibshirani, Jerome Friedman
|
| prop-de:datum
| |
| prop-de:hrsg
| |
| prop-de:jahr
|
- 1994 (xsd:integer)
- 1997 (xsd:integer)
- 2003 (xsd:integer)
- 2008 (xsd:integer)
|
| prop-de:kommentar
|
- Liste von mehr als 40 Web-APIs für maschinelles Lernen
|
| prop-de:online
| |
| prop-de:ort
|
- Berlin
- Cambridge
- London
- New York
|
| prop-de:sammelwerk
|
- Ellis Horwood Series in Artificial Intelligence
|
| prop-de:sprache
| |
| prop-de:titel
|
- List of Machine Learning APIs
|
| prop-de:titelerg
|
- Data Mining, Inference, and Prediction
- Information Science and Statistics
|
| prop-de:typ
| |
| prop-de:url
|
- http://blog.mashape.com/post/48074869493/list-of-machine-learning-apis
|
| prop-de:zugriff
| |
| dc:publisher
|
- Cambridge University Press
- E. Horwood Verlag
- Mcgraw-Hill
- Springer
- Springer-Verlag
|
| dct:subject
| |
| rdf:type
| |
| rdfs:comment
|
- Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung:Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung). (de)
- Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung:Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung). (de)
|
| rdfs:label
|
- Maschinelles Lernen (de)
- Maschinelles Lernen (de)
|
| owl:sameAs
| |
| prov:wasDerivedFrom
| |
| foaf:isPrimaryTopicOf
| |
| is dbo:category
of | |
| is dbo:wikiPageDisambiguates
of | |
| is dbo:wikiPageRedirects
of | |
| is prop-de:fachgebiete
of | |
| is foaf:primaryTopic
of | |
