Dimensionality Reduction
Was ist Dimensionality Reduction? Dimensionality Reduction (deutsch: Dimensionsreduktion) bezeichnet eine Gruppe von Verfahren im maschinellen Lernen und der Datenanalyse, die darauf abzielen, die Anzahl der Merkmale (Dimensionen) eines Datensatzes zu verringern, ohne dabei wesentliche Informationen zu verlieren. Hochdimensionale Daten – etwa Textdaten, Bilddaten oder Nutzerverhaltensprofile – enthalten häufig redundante oder wenig aussagekräftige Merkmale, die Modelle […]
Hierarchical Clustering
Was ist Hierarchical Clustering? Hierarchical Clustering (deutsch: hierarchisches Clustering oder hierarchische Clusteranalyse) ist ein unüberwachtes maschinelles Lernverfahren, das Datenpunkte schrittweise in einer baumartigen Struktur gruppiert. Im Gegensatz zu flachen Clustering-Methoden entsteht dabei kein einzelnes Partitionierungsergebnis, sondern eine vollständige Hierarchie von Clustern – dargestellt als sogenanntes Dendrogramm. Das Verfahren erfordert keine vorherige Festlegung der Clusteranzahl und […]
Clustering
Was ist Clustering? Clustering (auch: Clusteranalyse oder Cluster-Algorithmus) ist ein Verfahren des unüberwachten maschinellen Lernens, bei dem ein Algorithmus Datenpunkte anhand ihrer Ähnlichkeit automatisch in Gruppen – sogenannte Cluster – einteilt, ohne dass vorab definierte Kategorien oder Labels vorgegeben werden. Das Ziel besteht darin, Strukturen in Daten sichtbar zu machen, die ohne algorithmische Unterstützung schwer […]
Metric Learning
Was ist Metric Learning? Metric Learning (deutsch: Metriklernen) ist ein Teilgebiet des maschinellen Lernens, bei dem ein Modell darauf trainiert wird, eine geeignete Abstandsfunktion – also eine Metrik – direkt aus Daten zu erlernen. Anstatt eine vordefinierte Distanzformel wie den euklidischen Abstand zu verwenden, optimiert das Modell beim Metric Learning eigenständig, wie Ähnlichkeit oder Unähnlichkeit […]
K-Means
Was ist K-Means? K-Means ist ein unüberwachter Machine-Learning-Algorithmus (Unsupervised Learning), der Datenpunkte automatisch in eine vorher festgelegte Anzahl von Gruppen – sogenannte Cluster – einteilt. Der Begriff setzt sich zusammen aus dem Parameter k für die Anzahl der Cluster und dem englischen Wort means für Mittelwerte, da der Algorithmus die Datenpunkte um berechnete Mittelpunkte (Zentroiden) […]
Contrastive Learning
Was ist Contrastive Learning? Contrastive Learning (deutsch: kontrastives Lernen) ist ein Verfahren des selbstüberwachten maschinellen Lernens, bei dem ein Modell lernt, ähnliche Datenpunkte einander anzunähern und unähnliche Datenpunkte voneinander zu trennen – ohne dass dafür manuell annotierte Labels benötigt werden. Das Verfahren gehört zur Klasse der Representation-Learning-Methoden und wird häufig eingesetzt, um aussagekräftige Einbettungen (Embeddings) […]
Generative Adversarial Network (GAN)
Was ist ein Generative Adversarial Network (GAN)? Ein Generative Adversarial Network – kurz GAN oder auch Generatives Gegnerisches Netzwerk – ist eine Klasse von Modellen des maschinellen Lernens, bei der zwei neuronale Netze in einem konkurrierenden Prozess gemeinsam trainiert werden, um realistische synthetische Daten zu erzeugen. GANs wurden 2014 von Ian Goodfellow und Kollegen eingeführt […]
Variational Autoencoder (VAE)
Was ist ein Variational Autoencoder (VAE)? Ein Variational Autoencoder (VAE) ist ein generatives neuronales Netzwerkmodell, das Eingabedaten in eine komprimierte, probabilistische Repräsentation überführt und aus dieser Repräsentation neue, ähnliche Daten erzeugen kann. VAEs gehören zur Familie der generativen Modelle und kombinieren Prinzipien aus der Variationsrechnung mit klassischen Autoencoder-Architekturen. Anders als herkömmliche Autoencoder, die Daten deterministisch […]
Autoencoder
Was ist ein Autoencoder? Ein Autoencoder ist ein neuronales Netzwerk, das darauf trainiert wird, Eingabedaten zunächst in eine komprimierte interne Darstellung zu überführen und sie anschließend möglichst originalgetreu zu rekonstruieren. Diese Architektur gehört zum Bereich des unüberwachten Lernens (Unsupervised Learning) und wird auch als selbstüberwachtes neuronales Netz bezeichnet. Der Begriff setzt sich aus „auto” (griechisch […]
Encoder-Decoder Architektur
Was ist die Encoder-Decoder Architektur? Die Encoder-Decoder Architektur ist ein neuronales Netzwerkdesign, bei dem zwei funktional getrennte Komponenten – ein Encoder und ein Decoder – sequenziell zusammenarbeiten, um Eingabedaten in eine neue Ausgabeform zu transformieren. Dieses auch als Seq2Seq-Architektur (Sequence-to-Sequence) bekannte Prinzip bildet die Grundlage vieler moderner Sprachmodelle und KI-Systeme, die Eingaben einer bestimmten Länge […]