Month: August 2017

Adikteev – Dynamische Anzeigen erstellen – Dynamic Creative Optimization

Immer mehr Anzeigen werden dynamisch erstellt. Dabei orientieren sich die Anzeigenmacher an den Informationen, die sie ├╝ber den Nutzer sammeln konnten. Daten aus der Vergangenheit und seine demographischen Spezifikationen helfen einem Dynamic Creative Optimization (DCO) System dabei, eine Ad f├╝r ihn zu generieren.

Dabei geht es vor allem um die Optimierung von:

  • Call to Action
  • Hintergrund
  • Wahl des Produktfotos
  • Animationen
  • S├Ąttigung und Farbgebung

Die Firma Adikteev entwickelt solch ein System. Dieses System soll laut Angaben eine 50% h├Âhere Conversion-Rate gegen├╝ber der Testgruppe erzeugen. Getestet wurde das System bereits bei Gaming-Apps und Content-Portalen. Weitere Infos gibt es hier.

 

Paper Review – Language Modeling, Deep vs. Diverse Architecture und Sentiment Analysis

Wir sind im Sommermodus. Aktuell basteln wir an einem Plan, wie wir euch ab Herbst weiter mit spannenden Artikeln aus der Machine Learning Szene begeistern k├Ânnen.

In unserer Rubrik┬áPaper Review┬ástellen wir euch aktuelle Paper aus dem Bereich Machine Learning vor. Wir fassen f├╝r euch das┬áWesentliche zusammen und ihr entscheidet selbst, ob ihr das Paper lesen wollt oder nicht.┬áViel Spa├č!

In┬áNeural Networks Compression for Language Modeling werden RNNs komprimiert. Hier handelt es sich um RNNs, die verschiedene Text-Klassifizierungen durchf├╝hren. Das ist besonders wichtig f├╝r Mobile Devices, die dadurch mehrschichtige Netze effizienter abspeichern k├Ânnen. Bereits im Juli haben wir euch im Paper Reivew das Paper Towards Evolutional Compression vorgestellt – dort werden ├Ąhnliche Algorithmen verwendet.┬áHier gehts zum Paper.

Der┬áAutor von Deep vs. Diverse Architectures for Classification Problems vergleicht verschiedene Netz-Architekturen f├╝r verschiedene Aufgaben. Es stellt sich heraus, dass sich f├╝r einige Aufgaben Deep-Learning-Architekturen besonders eignen. Allerdings lassen sich auch Aufgaben finden, die mit kleineren (unkomplexeren) Architekturen l├Âsen lassen. Deep-Learning ist also nicht die sofort die Allzweckwaffe. Wof├╝r ihr welche Algorithmen benutzen solltet, lest hier hier.┬áHier gehts zum Paper.

In Sentiment Analysis by Joint Learning of Word Embeddings and Classifier┬ávon┬áPrathusha Kameswara Sarma und Bill Sethares wird┬áSupervised Word Embeddings for Sentiment Analysis┬ávorgestellt. Mit dieser Struktur erreichen sie auf verschiedenen Datenbanken in ihren Experiments den State-of-the-Art bez├╝glich AUC. In einigen F├Ąllen sind sie damit sogar genauer als die aktuell bekannten Ergebnisse. SWESA ist dabei ein sehr flexibles Konstrukt. Hier gehts zum Paper.

 

Am Rand erw├Ąhnt

Paper Review – Sentence Generation und Sentiments mit Emojis

In unserer Rubrik┬áPaper Review┬ástellen wir euch aktuelle Paper aus dem Bereich Machine Learning vor. Wir fassen f├╝r euch das┬áWesentliche zusammen und ihr entscheidet selbst, ob ihr das Paper lesen wollt oder nicht.┬áViel Spa├č!

In SenGen: Sentence Generating Neural Variational Topic Model┬ázeigen die Autoren, dass ein Satz die kleinste Einheit beim Topic Modeling ist. Im Gegensatz zu vielen anderen Modellen, die Bag of Words (also W├Ârter) benutzen, um ein Topic-Modell aufzubauen, verwenden wie einen Satz. in den Experimenten vergleichen sie ihren Ansatz gegen die aktuellen State-of-the-Art Ans├Ątze: LDA, NVDM, NVLDA und ProdLDA. Hier gehts zum Paper.

Die Autoren von┬áUsing millions of emoji occurrences to learn any-domain representations for detecting sentiment, emotion and sarcasm┬áhaben versucht Texte auf Emojis zu mappen. Sie nutzen dabei gro├če Datasets und vergleichen sich mit anderen auch sehr aktuellen Forschungsergebnissen. Hier gehts zum Paper.

 

Am Rand erw├Ąhnt

 

 

Text to Emoji mit DeepMoji vom MIT Media Lab

DeepMoji wurde vor ein paar Tagen vom MIT Media Lab gelauncht. Die KI erkennt, wenn ein einem Text Emotionen vorkommen – sogar Sarkasmus. Der geschriebene Text wird auf Emojis gemappt, die am besten zum Text passen. Gelernt wurde DeepMoji auf mehreren gro├čen Corpora.

Hier gehts zum Paper von DeepMoji




5 Sachen die Machine Learning f├╝r die Menschheit tun kann

In unserer Rubrik High Five stellen wir euch unsere Top-Liste zu einer bestimmten Machine Learning relevanten Kategorie vor. Diesmal haben wir uns angeschaut, was Machine Learning f├╝r die Menschheit tun kann. Wie wir das ganze sehen, lest ihr hier!

work-chinese-industrial-professional1. Uns von sinnlosen Jobs befreien

Viele von uns kennen diesen Moment im Job! Man w├╝nscht sich einen Roboter, der einen monotone Arbeit abnimmt. Sowas kann gelingen. Monotone Arbeiten wie Bandarbeit sind meist nicht nur f├╝r unsere Psyche sehr anstrengend, sondern auch f├╝r unseren unseren K├Ârper. Abnutzungserscheinungen an Knochen und anderen K├Ârperteilen sind die Folge.

pexels-photo-2615012. Unsere Faulheit kompensieren

├ähnlich zu der monotonen Arbeit im Job, kann uns Machine Learning auch von monotonen Arbeiten im privaten Bereich befreien. Dabei sind die Vorlieben diverser als im Arbeitsleben. W├Ąhrend ein passionierter G├Ąrtner lieber selbst gie├čt, kann der nicht vorhandene gr├╝ne Daumen von anderen Personen durch Sensoren und Sensormodelle kompensiert werden. Dabei ist G├Ąrtnern nur ein Beispiel f├╝r viele Anwendungsbereiche.

pexels-photo-2481563. Vorhersagen über unsere Gesundheit machen

Durch statistische Verfahren k├Ânnen wir eine bestimmte Anf├Ąlligkeit f├╝r Krankheiten ermitteln. Das bedeutet, man kann Krankheiten behandeln, bevor sie auftreten. Damit wird unser Leben auch vorhersagbarer – daf├╝r aber sicherer.

 

pexels-photo (3)

4. Unser Leben sicherer machen

Autonomes Fahren und vernetzte Verkehrssysteme werden es uns erm├Âglichen, sicherer ans Ziel zu kommen. Schon heut ist viel Machine Learning in Verkehrsleitsystemen und sogar Autos verbaut. Nicht nur auf der Stra├če gibt es daf├╝r Anwendungen. Auch im Luft- und Wasserverkehrt werden smarte Systeme eingesetzt.

 

industry-sunrise-clouds-fog-39553

5. Die Umwelt schonen

Wieviel M├╝ll wird wann und wo produziert? Wieviel Energie wird verbraucht, wieviel Energie muss zeit-/ortsbezogen erzeugt werden? Diese Fragen k├Ânnen uns smarte Netze beantworten, die sehr viele Daten gesammelt haben und somit die Umwelt schonen k├Ânnen. Es wird nur so viel Energie produziert, wie tats├Ąchlich gebraucht wird und der M├╝ll wird ebenfalls smarter entsorgt.




Nat├╝rlich gibt es noch weitere Anwendungsf├Ąlle. Machine Learning kann uns helfen, den Fokus auf wichtigere und komplexere Fragestellungen zu legen, die uns als Menschheit helfen und uns weiter bringen.