温馨提示：本站仅提供公开网络链接索引服务，不存储、不篡改任何第三方内容，所有内容版权归原作者所有
AI智能索引来源：http://www.ibm.com/de-de/think/topics/machine-learning
点击访问原文链接

Was ist maschinelles Lernen? | IBM

进入原网站 导航首页
Herzlich willkommen!ÜberblickArten von maschinellem LernenAlgorithmen des maschinellen LernensStatistisches maschinelles LernenLineare Algebra für maschinelles LernenQuantifizierung von UnsicherheitenAbwägung zwischen Verzerrung und VarianzÜberblickMerkmalsauswahlMerkmalsextraktionVektoreinbettungLatenter RaumHauptkomponentenanalyseLineare DiskriminanzanalyseUpsamplingDownsamplingSynthetische DatenDatenlecksÜberblickLineare RegressionLasso-RegressionRidge-RegressionZustandsraummodellZeitreiheAutoregressives ModellÜberblickEntscheidungsbäumeK-Nearest-Neighbors (KNNs)Naive BayesRandom ForestSupport-Vektor-MaschineLogistische RegressionÜberblickBoostingBaggingGradient BoostingGradient Boosting ClassifierÜberblickTransferlernenÜberblickÜberblickK-Means ClusteringHierarchisches ClusteringA-priori-AlgorithmusGaußsches MischungsmodellAnomalieerkennungÜberblickKollaborative FilterungInhaltsbasierte FilterungÜberblickVerstärkendes Lernen mit menschlichem FeedbackÜberblickÜberblickBackpropagationEncoder-Decoder-ModellRecurrent Neural NetworksConvolutional Neural NetworksÜberblickAufmerksamkeitsmechanismusGrouped Query AttentionPositionskodierungAutoencoderMamba-ModellGraph Neural NetworkÜberblickGeneratives ModellGenerative KI im Vergleich zu prädiktiver KIÜberblickLogischkeitsmodelleKleine SprachmodelleAnweisungsoptimierungLLM-ParameterLLM-TemperaturLLM-BenchmarksLLM-AnpassungDiffusionsmodelleVariational Autoencoder (VAE)Generative Adversarial Networks (GANs)ÜberblickVisionssprachmodelleTutorial: Erstellen Sie einen KI- StylistenTutorial: Multimodale KI-Abfragen mit LlamaTutorial: Multimodale KI-Abfragen mit PixtralTutorial: Automatische Podcast-Transkription mit GraniteTutorial: PPT-KI-Bildanalyse-AntwortsystemÜberblickGraphRAGTutorial: Erstellen Sie ein multimodales RAG-System mit Docling und GraniteTutorial: Evaluieren Sie die RAG-Pipline mit RagasTutorial: RAG-Chunking-StrategienTutorial: RAG mithilfe von Wissensdiagrammen grafisch darstellenTutorial: Inferenzskalierung zur Verbesserung multimodaler RAGÜberblickVibe-CodierungBesuchen Sie den Leitfaden zu KI-Agenten 2025ÜberblickVerlustfunktionTrainingsdatenModellparameterGradientenabstiegStochastischer GradientenabstiegHyperparameter-TuningLernrateÜberblickParameter-efficient Fine-Tuning(PEFT)LoRATutorial: Feinabstimmung des Granite-Modells mit LoRARegularisierungFoundation ModelsOverfittingUnderfittingFew-Shot-LearningZero-Shot-LearningKnowledge DistillationMeta-LearningData AugmentationCatastrophic ForgettingÜberblickScikit-learnXGboostPyTorchÜberblickKI-LebenszyklusKI-InferenzModellbereitstellungPipeline für maschinelles LernenDatenkennzeichnungModellrisikomanagementModelldriftAutoMLModellauswahlFöderiertes LernenVerteiltes maschinelles LernenKI-StackÜberblickNatural Language UnderstandingÜberblickStimmungsanalyseMaschinelle ÜbersetzungÜberblickInformationsabrufInformationsextraktionThemen-ModellierungLatente semantische AnalyseLatent Dirichlet AllocationNamed Entity RecognitionWorteinbettungenBag of WordsIntelligente SucheSpracherkennungStemming und LemmatizationTextzusammenfassungDialogorientierte KIKonversationsanalyseGenerierung natürlicher SpracheÜberblickBildklassifikationObjekterkennungInstanzsegmentierungSemantische SegmentierungOptische ZeichenerkennungBilderkennungVisuelle InspektionDave BergmannPrognosemodellenLarge Language Models (LLMs)generativen KIModelltrainingKI-ModellsKI-InferenzDeep Learningkünstlichen neuronalen Netzen„Big Data“Grafikprozessoren (GPUs).   Data Sciencekünstliche allgemeine Intelligenz (Artificial General Intelligence, AGI)generativer KIEntscheidungsbaum,IBM DatenschutzerklärungEinbettung einesMerkmalsauswahlFunktionsextraktionstechnikenFeature Engineeringlineare RegressionÜberwachtes Lernen„Ground Truth“Unüberwachtes LernenReinforcement Learning (RL)FeinabstimmungReinforcement Learning from Human Feedback (RLHF).Ensemble-LernmethodenKlassifikationlineare RegressionZustandsraummodelleSupport Vector Machines (SVMs)Naive Bayes-Klassifikatorenlogistische RegressionBildsegmentierungsmodellVerlustfunktionAbleitungSelbstüberwachtes LernenAutoencoderTransferlernen in Verbindung gebracht,da es Foundation ModelsoptimierthalbüberwachteClusteringAssoziationsmodelleDimensionsreduktion reduzieren die Komplexität von Datenpunkten, indem siediese mit einer geringeren Anzahl von Merkmalen (d. h. in weniger Dimensionen) darstellen und gleichzeitig ihre aussagekräftigen EigenschaftenAutoencoder,Principal ComponentAnalysis (PCA), lineare Diskriminanzanalyse (LDA)t-verteilte stochastische Nachbareinbettung ( t-Distributed Stochastic Neighbor Embedding, t-SNE).Diese Animationvon Hyperparametern,Lernrateverstärkenden LernensArgumentationsmodellenNeural NetworkDeep Learningwerden künstliche neuronale NetzeGPUsBackpropagationGradientenabstiegsalgorithmenConvolutional Neural Networks (CNNs)gewichtete „Filter“Rekurrente neuronale Netze (RNNs)Transformer-ModelleAufmerksamkeitsmechanismusMamba-ModelleZustandsraummodellen (SSMs)ObjekterkennungBildsegmentierungoptische Zeichenerkennung (OCRVerarbeitung natürlicher Sprache (NLP)Chatbots,SpracherkennungSprachübersetzungStimmungsanalyseTextgenerierungZusammenfassungenKI-AgentenZeitreihenmodelleDiffusionsmodelle,Variational Autoencoder (VAEs)Generative Adversarial Networks (GANs)Alle Episoden von Mixture of Experts ansehenMachine Learning Operations (MLOps)Auswahl geeigneter ModelleLeistungsmetrikenÜberanpassungModelldriftModell-GovernancePythonPyTorch,TensorFlow,maschinelles Lernen, die sich auf traditionelles ML konzentrieren,gehören Pandas, Scikit-learn,XGBoost,Matplotlib,TutorialsE-Book Data Science und MLOps für Data Leader Schließen Sie sich mit anderen Führungskräften zusammen, um die drei wesentlichen Säulen von MLOps und vertrauenswürdiger KI voranzutreiben: Vertrauen in Daten, Vertrauen in Modelle und Vertrauen in Prozesse. E-Book lesenWeiterbildung Zu mehr ML-Know-how Erfahren Sie mehr über grundlegende Konzepte und bauen Sie Ihre Fähigkeiten mit praktischen Übungen, Kursen, angeleiteten Projekten, Tests und mehr aus. ML-Kurse erkundenE-Book Nutzen Sie die Leistungsfähigkeit generativer KI und ML Erfahren Sie, wie Sie generative KI und maschinelles Lernen sicher in Ihr Unternehmen integrieren können. E-Book lesenTechsplainers-Podcast Maschinelles Lernen erklärt „Techsplainers“ von IBM erklärt die Grundlagen des maschinellen Lernens – von Schlüsselkonzepten bis hin zu realen Anwendungsfällen. Klare, kurze Folgen helfen Ihnen, die Grundlagen schnell zu erlernen. Jetzt anhörenLeitfaden KI zum Einsatz bringen: Mehr ROI dank generativer KI Möchten Sie eine bessere Rendite für Ihre KI-Investitionen erzielen? Erfahren Sie, wie die Skalierung generativer KI in Schlüsselbereichen Veränderungen vorantreibt, indem Sie Ihre besten Köpfe dabei unterstützen, innovative neue Lösungen zu entwickeln und bereitzustellen. Leitfaden lesenE-Book So entscheiden Sie sich für das richtige Foundation Model Erfahren Sie, wie Sie das für Ihren Anwendungsfall am besten geeignete KI Foundation Model auswählen. E-Book lesenKI-Modelle IBM Granite erkunden IBM Granite ist unsere Familie offener, leistungsfähiger und vertrauenswürdiger KI-Modelle, die auf Unternehmen zugeschnitten und für die Skalierung Ihrer KI-Anwendungen optimiert sind. Erkunden Sie die Optionen zu Sprache, Code, Zeitreihen und Guardrails. Granite kennenlernenLeitfaden Wie Sie im neuen KI-Zeitalter vertrauensvoll und zuversichtlich in eine erfolgreiche Zukunft blicken Erfahren Sie mehr über die drei entscheidenden Elemente einer starken KI-Strategie: die Schaffung eines Wettbewerbsvorteils, die Skalierung von KI im gesamten Unternehmen und die Förderung vertrauenswürdiger KI. Leitfaden lesenEntdecken sie watsonx.aiErkunden Sie KI-LösungenKI-Services entdeckenwatsonx.ai erkundenLive-Demo buchen„Some Studies in Machine Learning Using the Game of Checkers“,„Using Decision Trees as an Expert System for Clinical Decision Support for COVID-19“,„Kolmogorov's Mapping Neural Network Existence Theorem“,„Multilayer Feedforward Networks with a Non-Polynomial Activation Function Can Approximate Any Function“,

智能索引记录