Transfer Learning am Beispiel von Bildanalysen

Tansfer Learning, Machine Learning

Transfer Learning ist eine von verschiedenen im Bereich Machine Learning angewandten Lernmethoden, um Algorithmen mit den Fähigkeiten auszustatten, die sie für eine bestimmte Aufgabe brauchen. Die bekanntesten und verbreitetsten Lernmethoden sind sicher Unsupervised Machine Learning und Supervised Machine Learning. Dieser Artikel gibt einen Überblick über die wichtigsten Aspekte des Transfer Learning.

Weiterlesen

Mercury-ML: Alexander Thamm startet eigene Python Open-Source-Bibliothek für leicht konfigurierbaren Machine Learning Workflow

Mercury-ML Logo

In der täglichen Zusammenarbeit mit unseren Kunden stehen wir häufig vor der Herausforderung, aus einer Vielzahl verschiedener Open-Source Bibliotheken unterschiedliche Funktionen zu einem maschinellen Lernen Workflow zusammenzuführen. Was als internes Projekt zur Verbesserung unserer eigenen Arbeit begonnen hat, möchten wir nun der Öffentlichkeit als Open-Source Bibliothek unter dem Namen Mercury-ML zur Verfügung stellen.

Weiterlesen

Vom Prototyp zum Data Product: Mit diesen 3 Best Practices gelingt die Produktivsetzung

Prototyp

Von der Idee – z.B. den Online-Verkauf von Produkten zu erhöhen – bis zum fertigen Data Product – z.B. der Implementierung eines operativen Produktempfehlungssystems  auf der Website – muss ein Data-Science-Projekt zahlreiche Schritte durchlaufen. Derzeit scheitern viele Datenprojekte während der Bereitstellungsphase (Deployment Phase). In diesem Stadium wird das Ergebnis der Prototypenphase in ein operatives Data Product überführt und in die jeweiligen Geschäftsprozesse integriert. Dies ist eine der wichtigsten Phasen des Data-Science-Lebenszyklus, da sich hier entscheidet, ob ein Projekt tatsächlich Mehrwert aus Daten generieren kann. Dabei kann ein Projekt in dieser kritischen Phase an mehreren Herausforderungen scheitern.

Weiterlesen

5 Gründe, warum Data-Science-Projekte kaum Mehrwert aus Daten generieren

Kind auf Leiter streckt Hand zum Himmel.

Daten durchdringen heute nahezu jeden Geschäftsprozess. In den vergangenen Jahren haben Unternehmen zunehmend Datenprodukte in Data-Science-Projekten pilotiert. Trotzdem gelingt es in vielen Fällen nicht, diese in den produktiven Einsatz zu bringen und somit Daten langfristig gewinnbringend einzusetzen. Worin genau besteht eigentlich die Schwierigkeit, wenn es darum geht, Mehrwert aus Daten zu generieren?

Weiterlesen

Erklärt: Was genau sind eigentlich Algorithmen?

Programm, Algorithmus, Code

Dem Begriff der Algorithmen begegnet man heute häufig, jedoch ist dabei oft nicht so genau bekannt, was damit gemeint ist. Das ist insofern problematisch, weil dadurch falsche Erwartungen in der Praxis entstehen können. In diesem Artikel erfahren Sie, woher der Begriff stammt, was genau er bedeutet und wie Algorithmen in der Praxis eingesetzt werden.

Weiterlesen

Datensicherheit – die wichtigsten Grundlagen zum Thema Data Security

Datensicherheit; Schloss vor Daten

Datensicherheit ist nicht nur für Data Science Projekte ein essenzielles Thema, sondern für datengetriebene Unternehmen insgesamt. In diesem Blog-Artikel befassen wir uns mit den wichtigsten Aspekten der Datensicherheit, grenzen die Maßnahmen vom Datenschutz ab und zeigen auf, wie Unternehmen Datensicherheit in ihrer Organisation sicherstellen können.

Weiterlesen

Alles über Daten. Grundlagen, Formen und der Wert der Daten

Schriftzug "Data has a better idea"

Daten spielen heute überall und jeden Tag eine entscheidende Rolle – im täglichen Leben jedes Einzelnen, im sozialen und gesellschaftlichen Zusammenhang, in einzelnen Unternehmen und der Wirtschaft als Ganzem. Dennoch fragen wir uns selten, was genau Daten eigentlich sind und was ihr Wert ist. Dieser Artikel stellt sich darum die einfache Frage: Was sind Daten? So simpel die Frage auf den ersten Blick erscheint, so vielfältig und vielschichtig fallen die Antworten darauf aus.

Weiterlesen

Wachstumschance Aftersales: Mit Data Science einen bislang stark vernachlässigten Bereich erschließen

Unternehmen müssen immer mehr ihr Augenmerk auch auf den Aftersales lenken, um Kunden langfristig an sich zu binden.

Alle Unternehmen haben ein Ziel: Potenzielle Kunden vom Kauf ihres Produkts oder ihrer Dienstleistung zu überzeugen. In vielen Fällen ist es jedoch so, dass sich Hersteller oder Händler nach dem Kauf nicht mehr im gleichen Maße für ihre Kunden interessieren wie vor dem Kauf. In einer Zeit, in der immer mehr vernetzte Produkte wie das Connected Car auf den Markt kommen und neue Geschäftsmodelle entstehen, verändert sich die Erwartungshaltung der Kunden und Aftersales gewinnt an Bedeutung. Dieser Artikel beschreibt Einsatzmöglichkeiten von Data Science in der Kundenbetreuung nach dem Kauf.

Weiterlesen

1 2 3 11
top