Tag: Machine Learning

DecompileD 2020

DecompileD ist eine Plattform für Techies im Osten Deutschlands, die sich aktuellen Entwicklungen und Trends im Tech-Bereich widmet. Auch im kommenden Jahr befassen wir uns mit den Themen Mobile Development, Cloud und Machine Learning.
Auf der DecompileD treffen Professionals und Studierende der Region hochkarätige Speaker, lernen interessante Menschen kennen und nehmen an zahlreichen Workshops teil.

Lokale Unternehmen erhalten hier die Möglichkeit, ihre Mitarbeiter*innen zu einer Konferenz in der Umgebung zu schicken und damit auf dem neuesten Stand zu halten.

Auf der DecompileD erwartet die Teilnehmenden ein spannendes Programm mit internationalen Speakern.

Vorträge zu Themen wie Machine Learning, Mobile Development, Cloud Migration und weitere aktuelle sowie kommende Trends werden präsentiert.

Travis Bott – Künstliche Intelligenz meets Hip Hop

Travis Scott (ein HipHop-Künstler) hat zusammen mit seiner Agentur einen Song von einem Deep Learning Netz generieren lassen. Dabei wurde das Netz mit Texten und Videos von Travis Scott trainiert. Die generierten Lyrics hören sich zwar nach Travis Scott an, besitzen aber an einigen Stellen keinen Zusammenhang und sind Unsinn. Der Songtitel lautet: “Jack Park Canny Dope Man“.

Trotzdem fand das Netz einen Weg, den Stil von Travis Scott identisch zu kopieren. Am Ende des Tages bleibt TravisBott ein cooler PR-Coup der Agentur space150. Aber der PR-Coup bringt die Diskussion wieder auf, wie gut KI heutzutage schon menschliche Kunst adaptieren beziehungsweise imitieren kann.

Unter Music Processing Data Sets haben wir Datensets für euch vorbereitet, falls auch ihr einen Travis Bott bauen wollt.

 

 

AI, Machine Learning and Sentiment Analysis Applied to Finance

Künstliche Intelligenz gilt als Hauptantrieb der 4. Industriellen Revolution. Die Investitionen in KI sind mit einer phänomenalen Rate gewachsen, wobei Unternehmen 2016 26-39 Mrd. USD investieren. Die Annahme im Jahr 2017 bleibt jedoch gering. Dies hat dazu geführt, dass Unternehmen aus allen Branchen den Trend und die Innovationen nutzen konnten – von virtuellen Assistenten über Cyber-Sicherheit bis hin zur Betrugserkennung und vielem mehr. Die Mehrheit der C-Level-Führungskräfte hat erkannt und ist damit einverstanden, dass AI sich auf ihre Branche auswirken wird. Laut einer von McKinsey durchgeführten Studie geben jedoch nur 20% der C-Führungskräfte zu, dass sie bereits KI-Technologie in ihren Unternehmen eingeführt haben. Es gibt also viel Spielraum für Veränderungen und Verbesserungen. Es wird erwartet, dass die Finanzindustrie bei der Einführung von KI mit einem signifikanten prognostizierten Anstieg der Ausgaben in den nächsten drei Jahren eine Vorreiterrolle einnehmen wird.

ML Conference 2018 in München – Das Programm ist online

Vom 18 bis 20. Juni geben international führende IT-Experten bei der zweiten Machine Learning Conference im Münchener Sheraton Arabellapark Hotel einen umfassenden Einblick in die Welt des Maschinellen Lernens und der Künstlichen Intelligenz. Die Konferenz bietet insgesamt über 35 Sessions, Keynotes und Workshops mit den drei parallelen Tracks “Business & Strategy”, “Machine Learning Tools & Principles” und “Machine Learning Advanced Development”. Über 35 Speaker, u.a. Canburak Tümer (Turkcell), Constantin Gonzalez (Amazon Web Services Germany), Marisa Tschopp (SCIP AG), Laurent Picard (Google), Daniel Wrigley (SHI) und Alison Lowndes (NVIDIA) präsentieren die neusten technologischen Entwicklungen aus Forschung und Industrie.

Unter anderem können die Teilnehmer aus den folgenden Sessions wählen: 

  • „Deep Learning in Telecommunication“ (Burak Isikli, Turkcell)
  • „Deep Learning Dive into the Graphics World“ (Muzahid Hussain, Dassault Systems 3d Excite)
  • „Boost your app with Machine Learning APIs“ Laurent Picard (Google)
  • „AI really is all that!“ Alison Lowndes (NVIDIA)
  • „Amazon SageMaker: Building, Training and Deploying Machine Learning Models Efficiently and at Scale“ Constantin Gonzalez (Amazon Web Servives Germany)
  • „Natural Language Support with LUIS“ Rainer Stropek (software architects / www.IT-Visions.de)

Am ersten Tag haben die Teilnehmer die Möglichkeit, drei ganztägige Praxis-Workshops zu besuchen. Im „AI Product Workshop“ wird Luis Rodriguez (Teknolog IO) mithilfe von realen Fallstudien eine Reihe von Techniken zur Gestaltung mit maschinellen Lerntechnologien veranschaulichen. Xander Steenbrugge (ML6) führt in seinem Workshop „Deep Learning with TensorFlow“ in die Grundlagen von Googles Deep Learning Bibliothek ein wird anhand von praktischen Beispielen den Umgang mit diesem Tool üben.

Abgerundet wird das Programm von drei Keynotes, u.a. zu dem Thema „Cracking open the Black Box of Neural Networks“ von Xander Steenbrugge (ML6), und dem Get-together, bei dem die Teilnehmer bei Freigetränken und Snacks die Möglichkeit zur Vernetzung und zum Austausch haben.

 Das ganze Programm kann ab sofort online eingesehen werden unter: https://mlconference.ai/programWeitere Informationen und Tickets finden Interessenten unter: https://mlconference.ai/

(PM von sandsmedia)

Der 34C3 – Spannende Machine Learning Videos

Der 34. Chaos Communication Congress des CCC fand in Leipzig statt. Wir haben für euch alle wichtigen Vorträge gesehen und euch die 3 relevantesten Machine Learning Talks hier verlinkt. Viel Spaß!

 

Beeinflussung durch Künstliche Intelligenz

Social Bots, Fake News und Filterblasen

Deep Learning Blind Spots

So funktioniert Recommendation bei Spotify

Rot markiert. Recommendation bei Spotify (Credit: Chris Johnson, Spotify)

Rot markiert. Recommendation bei Spotify (Credit: Chris Johnson, Spotify)

Empfehlungssystemen begegnet man überall im Internet. Auch bei Spotify arbeitet man mit State-of-the-Art Systemen im Bereich Recommendation.

Drei verschiedene Systeme werden bei Spotify dazu benutzt, um euch die Musik vorzuschlagen, die euch sehr wahrscheinlich gefallen könnte.

Dabei bedient sich Spotify an Metadaten der Tracks, liest die Logs der gespielten Musik und durchsucht sogar Blogs und News nach verschiedenen Artikeln. Diese Informationen werden dann benutzt, um euch einen neuen Track zu empfehlen.

Diese 3 Methoden benutzt Spotify

Kollaboratives Filtern – “Wer X gehört hat, hat auch Y gehört.” Amazon nutzt beispielsweise Kollaboratives Filtern, um euch zu zeigen, welche Produkte jemand noch gekauft hat, der ähnliche Produkte wie ihr kaufte. Das funktioniert zum Beispiel über Matrixfaktorisierung.

Natural Language Processing – Die Songtexte und Beschreibungen werden mit Natural Language Processing durchsucht und nach Schlüsselwörtern sortiert. Ähnliche Textpassagen und Phrasen sprechen für eine Ähnlichkeit. Schwierig wird es, wenn der Track sehr wenige bis garkeine Lyrics enthält. Dafür gibt es noch eine dritte Form der Recommendation.

Audio Material – Auf den reinen Audiosignalen wird ein neuronales Netz (Deep Learning) angewandt. Dieses Netz erkennt Ähnlichkeiten in den Frequenenzen. Es nutzt auch weitere Features, um die Ähnlichkeit eines Songs zu bestimmen. So kann man vor allem Songs bewerten, die über keine Lyrics verfügen und bisher selten gehört wurden (also keine Chance für Kollaboratives Filtern hätten).

Ihr findet das Thema spannend? Hier gibt es den längeren Artikel dazu.

Was passiert in Unternehmen die KI einsetzen?

Wir hören oft grausame Dinge, über die Unternehmen die sich mit Künstlicher Intelligenz befassen oder sie einsetzen wollen. Eine Studie von Capgemini Consulting zeigt jetzt, was sich für diese Unternehmen geändert hat.




Figure 1: Was hat sich verbessert? Credits: Capgemini Consulting

In einer Studie, die Capgemini Consulting zusammen mit dem Digital Transformation Institute durchgeführte, wird gezeigt, wie es den Unternehmen geht, die bereits Künstliche Intelligenz (AI) einsetzen. Für diese Studie wurden rund 1000 Firmen weltweit interviewt. 75% der Unternehmen verzeichneten einen Uplift von mindestens 10% ihrer Vertriebs. Operationale Kosten konnten gesenkt werden, wobei die operationale Effektivität signifikant stieg. Mit dem Net Promoter Score (NPS) wird die Kundenzufriedenheit gemessen. In 3 aus 4 Unternehmen stieg sogar der NPS signifikant an. Das konnte auf eine effizientere Kontaktaufnahme der Kunden und einer verbesserten Auswertung von Kundendaten zurückgeführt werden (Figure 1).

 

Figure 2: Welche Bereiche können einen signifikanten Uplift verzeichnen? Credits: Capgemini Consulting

Außerdem berichteten die Unternehmen, dass die Produktivität ihrer Mitarbeiter stieg, da sie nun in der Lage waren, sich um wichtige Aufgaben zu kümmern. Die meiste Zeit wird in vielen Betrieben noch mit repetitiven Aufgaben verschwendet, die sich eigentlich sehr gut automatisieren lassen. Ein weiterer Pluspunkt geht an die Aufbereitung und Darstellung von großen Datenmengen. Dort leistet die KI (oder eigentlich Business Intelligence / Analytics) eine wichtige Arbeit. Anhand von Zahlen (data-driven) kann man am besten über sein Business entscheiden. Das veranschaulicht Figure 2.

Figure 3: Wurden im Unternehme neue Jobs geschaffen? Wenn ja, welche Rollen wurden geschaffen? Credits: Capgemini Consulting

Oftmals wird die steigende Arbeitslosigkeit mit dem Einsatz von Künstlicher Intelligenz in Unternehmen in Verbindung gebracht. Ganz unberechtigt ist dieses Argument nicht, allerdings schafft der Einsatz von Künstlicher Intelligenz auch in vielen Bereichen neue Jobs. In 83% der Firmen sind neue Jobs entstanden. Hauptsächlich sind natürlich neue Managerrollen entstanden. Auch Direktoren- und Koordinatoren-Jobs sind entstanden. Maschinen und Technik muss nämlich gewartet und verwaltet werden. Alles in allem ist die Verteilung der neu entstandenen Jobs aber sehr heterogen, wie Figure 3 zeigt.

Figure 4: In welchen Bereichen/Sektoren der Wirtschaft wird bereits Künstliche Intelligenz eingesetzt? Credits: Capgemini Consulting

 

In dieser Studie konnten wir erstmals sehen, wie sich die Anwendung von Künstlicher Intelligenz auf ein Unternehmen auswirken kann. Viele Positionen von Experten waren dabei oft sehr extrem. Hier könenn wir nun erste Zahlen sehen. In Figure 4 illustriert, die Verteilung von KI-gestützten Unternehmen je Sektor.

 




 

 

Apples Machine Learning Journal ist da!

Das Refiner Network. Quelle: Apples Machine Learning Journal / machinelearning.apple.com

Vor einiger Zeit hatte Apple angekündigt, mehr eigene Entwicklungen im Bereich Machine Learning publik zu machen. Jetzt scheint es so weit zu sein! Apple hat das Machine Learning Journal gelauncht. Sogar der erste Beitrag ist schon da. Der beschäftigt sich mit einem Refiner Network genanntem Modul. Dieses Modul hilft dabei, synthetische Datensätze realistischer zu machen, um damit große Datenmengen zu erzeugen. Diese werden zum Training von Machine Learning Anwendungen gebraucht.




Warum ist das nötig? Meist ist es sehr kostenintensiv, große Datenmengen mit Labeln zu erstellen. Daher kommt die Motivation auf synthetische (durch die Erstellung bereits gelabelt) Daten zurückzugreifen.

Hier geht es zur Leseempfehlung!

Monthly Summary – Das war der Dezember 2016

Was ist im Dezember passiert? Welche Schlagzeilen dominierten die News und was gibt es neues aus der Wissenschaft? Wir fassen alle relevanten Informationen zusammen und berichten über die kommenden Trends. Unser Monthly Summary ist eine Zusammenfassung für Entscheider, Management oder Entwickler aus den Bereichen Künstliche Intelligenz und Informationstechnologien. Diesen Monat haben wir aus 293 Artikeln das Relevanteste zusammengefasst.

Im Spotlight: Service, Service, Servie

In diesem Monat drehte sich alles um die Automatisierung von Service-Dienstleistungen. Eigentlich ein vernünftiger Schritt, denn die meisten Service-Anfragen sind schnell beantwortet und fast immer identisch. Menschen sollten sich auf die schwerlösbaren Probleme konzentrieren. Diese Firmen haben im Dezember vorgelegt:

  • Starbucks will schnelleren Service anbieten und auf Bots setzen. Hier gehts zum Artikel.
  • IBM hat sich auch fest vorgenommen, Service zu automatisieren, schreibt die adWeek.
  • Auch Meedia sieht Chat-Bots als den digitalen Trend im kommenden Jahr. Hier gehts zum Artikel.

 

Neues aus der Wirtschaft

Bier brauen war bisher immer in der Hand von Menschen. Nun hat sich eine künstliche Intelligenz auf den Weg gemacht, das beste Bier der Welt zu brauen. In London sitzt ein Startup, dass es sich zur Aufgabe gemacht hat, iterativ Bier zu brauen. Sie sammeln das Feedback der Kunden. Auf Basis dieser Informationen braut das Unternehmen dann Bier. Hier gehts zum Artikel über IntelligentX.

ApplyMagicSauce – was verrät Facebook dem Politiker? Der Dezember war auch der Monat, in dem die Nachwehen der U.S.-Präsidentschaftswahlen zu spüren waren – nämlich in Form von Marketing. Alexander Nix von Cambridge Analytica berichtete darüber, wie seine Firma Donald Trump dazu verholfen haben soll, Präsident zu werden. Auch viele Firmenkunden soll Cambridge Analytica bereits haben. Auf der Seite ApplyMagicSauce kann man sich selbst screenen. Viel Spaß dabei!

Audi präsentiert Einpark-Algorithmen auf der NIPS. Auf einer der größten Fachkonferenzen hat Audi in einem Showcase verschiedene Strategien zum automatisierten Einparken vorgestellt. Dabei wurde ein Audi Q2 Modell im Maßstab 1:8 benutzt. Das System nennt sich zFAS (zentrales Fahrerassistenzsteuergerät) und wurde zusammen mit NVIDIA entwickelt. Audi arbeitet schon seit einigen Jahren zusammen mit NVIDIA an dieser und anderen Technologien. Hier gehts zum Artikel.

Wie Price Waterhouse Cooper die Versicherungsbranche verunsichert. PWC hat Anfang des Jahres eine Studie plus Report zum Thema Machine Learning in der Versicherungsbranche veröffentlicht. Nun springen Geico (großer Versicherungskonzern in den USA) und weitere Mitbewerber auf diesen Zug auf und kündigen an, dass das Ausfüllen von Formularen zukünftig KI-assistiert verlaufen soll. Hier gehts zum Report von PWC vom März.

Kurz notiert. Amazon mit einer weiteren Promo für die Zustellung per Drohne. Eine KI für Personaler. Apple fängt endlich auch mal an Forschungen öffentlich zu machen: superrealistische Fotos. Adobe launcht Adobe Sensei.

 

Neues aus der Wissenschaft

Eine KI die eine Kolonie von Fliegen bewacht. In Minnesota hat ein Forscherteam ein Projekt namens flyAI auf die Beine gestellt. Dabei wurde eine KI installiert, die eine Kolonie von Fliegen bewacht. Sie regelt alles, was die Fliegen zum leben brauchen. Hier gehts zum Artikel über flyAI.

Begünstigt AI das Erstellen von Fakes? Ja, absolut. Lässt man sich die Frage durch den Kopf gehen, denkt man direkt an Fake-Identitäten, die sich textlich mit einem Menschen auseinander setzen. Hier gehen wir aber einen Schritt weiter: Bilder! Und nicht von nur von menschlichen Identitäten. Prinzipiell kann eine Intelligenz die genügend Bilder gesehen hat, um abstrakte Konzepte zu lernen, alles faken. Geht nicht? Hier geht es zum Artikel über Fake-Images mithilfe von Deep Learning. Oder: Artikel überspringen und direkt zum Paper.

 

Notable Papers

Florian Tramér et al. (Polytech Lausanne, Cornell University und University of North Carolina) haben untersucht, wie man Modelle von Anbietern über API-Calls nachbauen kann. Hierbei geht es darum, die Datenpunkte die man dem Dienstleister schickt, als eigene Trainingsdaten zu verstehen, die man nachfolgend nutzen kann, um eigene Modelle zu trainieren. Hier gehts zu Stealing Machine Learning Models via Prediction APIs.

Vıt Perzina und Jan M. Swart (Univerzita Karlova und Institute of Information Theory and Automation of the ASCR Praha) wenden das Stigler-Luckock Modell auf den Bücherverkauf sowie -lagerung an und gehen der Frage nach: How many market makers does a market need?

Huan Song et al. (Arizona State University, Lawrence Livermore National Labs und IBM T.J. Watson Research Center) experimentieren mit verschiedenen Kernel-Funktionen und gehen der Frage nach, wie man mehrere Kernels von verschiedenen oder gleichartigen Klassifikatoren miteinander verheiraten kann. Dabei legen sie das Augenmerk auf statistische Kernel- und Aggregationsfunktionen – auch mit Deep Learning ähnlichen Methoden. Hier gehts zu A Deep Learning Approach to Multiple Kernel Fusion.

Ankesh Anand, Tanmoy Chakraborty und Noseong Park (Indian Institute of Technology, University of Maryland, University of North Carolina) sind dem Thema Clickbaits nachgegangen. Sie haben ein Neuronales Netzwerk trainiert, um Clickbaits zu identifizieren. Laut ihrer Experimente arbeitet das Modell richtig gut. Überzeugt euch selbst, hier gehts zu You won’t believe what happened next!

Über den Tellerrand

Technik ist immer ideell. Erst unsere Anwendung der Technik eröffnet den Raum für Wertung. Deshalb ist es wichtig, dass man sich mit der Philosophie und Ethik hinter den Maschinen beschäftigt. Hier haben wir 2 Artikel gesammelt, die helfen sollen, über den Tellerrand zu schauen.

Sangbae Kim baut Roboter, die in Krisen eingesetzt werden können. Warum er es macht und vor allem wie, darum geht es hier.

Kognitionsforscher Joscha Bach darüber wie sich Menschen und Roboter entwickeln. Er sagt: Unser Geist liegt in Fesseln.

Das war der Dezember! Danke fürs Lesen. Wir sind offen für Verbesserungen und Vorschläge. Kontaktiert uns auf Twitter.

Demis Hassabis – Ein Kopf hinter Google DeepMind

Demis Hassabis, einer der führenden Köpfe hinter Google DeepMind redet über die Form von KI, an der DeepMind baut. Demis hat nach der Uni an verschiedenen Startups mitgewirkt – auch im Bereich Machine Learning. Nach seiner Startup-Zeit ging es für ihn wieder zurück an die Universität, wo er in Cognitive Neuro Science promovierte.

Er unterscheidet in seinem Vortrag verschiedene Formen von Künstlichen Intelligenzen:

  • Learning vs. Handcrafted
  • General vs. Specific
  • Grounded vs. Logic-based
  • Active learning vs. Passive observation




Google DeepMind ist nur an Intelligenzen interessiert, die sich, wie folgt, kategorisieren lassen:  feature learning, general purpose, grounded und active learning. Doch was bedeutet dies im Detail? Die gelernten Modelle sollen ihre Feature-Extraktoren selbst lernen (also durch Feedback relevante Merkmale finden), sie sollten keinem speziellem Zweck dienen, sondern universal einsetzbar sein. Außerdem basieren sie auf probabilistischen Ansätzen, die biologisch motiviert werden. Als letztes Kriterium sollen sie aktiv lernen und dafür eine Belohnung oder eine Strafe erhalten (reward, insb. reinforcement learning). Wie Demis es in seinem Vortrag sagt: “System without any data, learning from the first principles”.

Neben seinem Ausblick in die Zukunft von DeepMind redet er vor allem über zwei Anwendungsfälle von Googles DeepMind. Als erstes geht er auf AlphaGo ein (eine KI die Lee Sedol im Spiel Go geschlagen hat). Sein zweiter Anwendungsfall ist ein Rechenzentrum von Google, dass mit einem von Google DeepMind entwickelten System signifikant Strom sparen konnte.




Künstliche Intelligenz in den USA! Das Strategie-Papier dazu

Im Mai 2016 haben sich in den U.S.A. verschiedene KI-Spezialisten zusammengesetzt und versucht, ein Strategiepapier für die Zukunft mit der KI zu entwickeln. Das Papier wurde nun im Oktober vorgestellt. Es enthält neben einführenden Worten zum Thema Künstliche Intelligenz auch ein paar begriffliche Definitionen (darunter Autonomy, Automation, etc.).




Das Strategiepapier gibt Handlungsempfehlung für den Präsidenten der Vereinigten Staaten. Wer die ca. 50 Seiten des Reports nicht lesen will, bekommt hier die wichtigsten Handlungsempfehlungen zusammengefasst:

  • Datensätze der staatlichen Institutionen offenlegen, um die KI-Forschung in diesen Bereichen zu beschleunigen.
  • Institutionen und staatliche Agenturen sollten Standards festlegen, auf denen sie Informationen austauschen, gewinnen oder vorhersagen können.
  • Jedes Ministerium sollte Stellen für Machine Learning Engineers schaffen, damit spezifische Daten schnell ausgewertet werden können.

    Executive Office of the President of the United States, Quelle: Report

    Executive Office of the President of the United States, Quelle: Report

  • Das Ministerium für Verkehr soll eng mit der Wirtschaft an der Erarbeitung von Richtlinien und Gesetzen arbeiten. Dabei geht es vor allem um den Einsatz von Drohnen (UAS, unmanned aircraft systems) und autonomen Fahrzeugen (UV, automated vehicles).
  • Das Ministerium für Verkehr sollte ein skalierbares System entwickeln, dass den Luftraum der Zukunft besser überwachen kann – insbesondere individueller Personenverkehr in der Luft sowie Drohnen.
  • Die Wirtschaft soll die Ministerien zeitiger über mögliche Entwicklungen informieren, damit zeitnah Regeln und Gesetze angepasst werden können.
  • Schüler sollen in den Schulen mehr über das Thema Ethik bzgl. Künstlicher Intelligenz lernen. Die Kinder sollen KI-affineren Unterricht bekommen und somit für den bewussten Umgang ausgebildet werden.
  • Der Präsident sollte Richtlinien aufstellen, die klären, wie die Verantwortlichkeiten bei automatischen und semi-automatischen Waffensystemen aussehen.
  • Welche Jobs und Arbeitsplätze potentiell gefährdet sind, wurde nicht untersucht, sollten aber in einem zweiten Report geklärt werden.

Der Report kann als als eine grobe Übersicht gesehen werden, die der Regierung helfen soll, sich initial mit dem Thema zu befassen. Aus dem Report geht auch hervor, dass weitere Untersuchungen notwendig sind. Während in den U.S.A. der KI-Ansatz eher einheitlich verstanden wird, beschränkt sich Deutschland dort meist auf die KI in der Wirtschaft.

#science – Aktuelle Wissenschaft im Bereich der Künstlichen Intelligenz

In dieser Rubrik möchte ich in unregelmäßigen Abständen aktuelle Publikationen im Bereich Künstliche Ingelligenz kommentieren. Auch aus angrenzenden Bereichen und fachübergreifenden Forschungsfeldern werden aktuelle Papers vorgestellt.

 

Practical Learning of Deep Gaussian Processes via Random Fourier Features

Cutajar et al. haben in ihrer Publikation versucht, Deep Gaussian Processes mit Random Fourier Features zu verheiraten und zeigen, dass sie damit praktische Klassifikations- und Regressionsaufgaben effizienter lösen können, als einige getestete Methoden, die dem Stand der Technik entsprechen.

 

Semi-Supervised Active Learning for Support Vector Machines: A Novel Approach that Exploits Structure Information in Data

Reitmaier et al. versuchen den Prozess des Active Learning (auch Optimal Experimental Design) anhand eines Weighted Mahalanobis Kernels zu verbessern. Im Active Learning geht es darum, die notwendigen Datenquellen nach Informationen abzufragen, um eine Machine-Learning-Aufgabe zu lösen (semi-supervised). Für ihre Experimente nutzten sie die Daten-Sets MNIST und einige weitere Datenbanken.

 

Accelerate Monte Carlo Simulations with Restricted Boltzmann Machines

Die Monte-Carlo-Simulation ist weitverbreitet und sehr bekannt. Li Huang und Lei Wang haben in ihrer Publikation einen Weg gefunden, diese Art von Simulation mittels einer Boltzmann-Maschine zu beschleunigen. In ihren Experimenten konnten die Forscher zeigen, dass ihr Ansatz um mehrere Faktoren schneller ist als der State-of-the-Art.