Fast Forward Labs Research jetzt ohne Abonnement verfügbar
In Zukunft werden alle neuen Reports öffentlich verfügbar sein und können kostenlos heruntergeladen werden. Zudem werden wir im Laufe der Zeit Zugriff auf aktualisierte Versionen älterer Reports gewähren. Schauen Sie daher regelmäßig vorbei, um die verfügbaren kostenlosen Forschungsergebnisse zu prüfen.
Kostenlose Forschungs-Reports
Entdecken Sie unsere neuesten Forschungs-Reports und Prototypen, die für alle frei zugänglich sind.
Textklassifizierung mit wenigen Daten
Die Textklassifizierung kann beispielsweise für Stimmungsanalysen, Themenzuordnungen, zur Dokumentenermittlung oder für Artikelempfehlungen verwendet werden. Es gibt inzwischen Dutzende von Techniken für diese grundlegende Aufgabe. Viele dieser Techniken sind jedoch auf große Mengen an klassifizierten Daten angewiesen, um brauchbare Ergebnisse zu erzielen. Das Erfassen von Annotationen für Ihren Anwendungsfall ist in der Regel einer der kostspieligsten Aspekte jeder Anwendung für maschinelles Lernen. In diesem Bericht untersuchen wir, wie latente Texteinbettungen mit wenigen oder auch gar keinen Trainingsbeispielen verwendet werden können und wir geben Einblicke in bewährte Verfahren zur Implementierung dieser Methode.
Strukturelle Zeitreihen
Zeitreihendaten sind allgegenwärtig. In diesem Bericht werden verallgemeinerte additive Modelle untersucht, die uns mit der Zerlegung der Zeitreihen in strukturelle Komponenten ein einfaches, flexibles und interpretierbares Mittel zur Modellierung von Zeitreihen an die Hand geben. Wir betrachten die Vor- und Nachteile der Anwendung eines Ansatzes zur Kurvenanpassung für Zeitreihen und demonstrieren deren Verwendung anhand der Prophet-Bibliothek von Facebook mit einem Nachfrageprognose-Problem.
Meta-Lernprozesse
Im Gegensatz zu der Art und Weise, wie Menschen lernen, sind Deep-Learning-Algorithmen auf enorme Mengen von Daten und Berechnungen angewiesen und können dennoch an der Generalisierung scheitern. Menschen können sich schnell anpassen, da sie ihr Wissen aus früheren Erfahrungen nutzen, wenn sie mit neuen Problemen konfrontiert werden. In diesem Bericht erläutern wir, wie Meta-Lernprozesse früheres Wissen aus Daten nutzen können, um während der Testzeit neue Aufgaben schnell und effizienter zu lösen.
Automatisierte Beantwortung von Fragen
Die automatisierte Beantwortung von Fragen ist eine benutzerfreundliche Methode, um mithilfe natürlicher Sprache Informationen aus Daten zu extrahieren. Dank der jüngsten Fortschritte in der Verarbeitung natürlicher Sprache sind die Möglichkeiten zur Beantwortung von Fragen aus unstrukturierten Textdaten rasch gewachsen. Diese Blog-Serie bietet einen Überblick über die technischen und praktischen Aspekte des Aufbaus eines durchgängigen Frage-Antwort-Systems.
Kausalzusammenhang für maschinelles Lernen
Die Schnittmenge von kausaler Inferenz und maschinellem Lernen ist ein rasch wachsender Forschungsbereich. Er hat bereits Ressourcen hervorgebracht, die robustere, zuverlässigere und fairere Systeme für maschinelles Lernen ermöglichen. Dieser Bericht enthält eine Einführung in die kausale Argumentation, einschließlich Kausalgraphen und invarianter Prognose. Er zeigt außerdem, wie Werkzeuge für kausale Inferenzen zusammen mit klassischen Techniken des maschinellen Lernens in verschiedenen Anwendungsfällen angewendet werden können.
Interpretierbarkeit: Ausgabe 2020
Die Interpretierbarkeit oder die Fähigkeit zu erklären, warum und wie ein System eine Entscheidung trifft, kann uns helfen, Modelle zu verbessern, Vorschriften zu erfüllen und bessere Produkte zu entwickeln. Black-Box-Techniken wie Deep Learning haben neue Maßstäbe auf Kosten der Interpretierbarkeit gesetzt. In diesem kürzlich aktualisierten Report, der nun Techniken wie SHAP enthält, zeigen wir, wie Modelle ohne Einbußen ihrer Fähigkeiten oder Genauigkeit interpretierbar gemacht werden können.
Deep Learning zur Erkennung von Anomalien
Von der Betrugserkennung bis zur Kennzeichnung von Anomalien in Bilddaten gibt es unzählige Anwendungen zur automatischen Identifizierung fehlerhafter Daten. Dieser Prozess kann schwierig sein, insbesondere wenn Sie mit großen, komplexen Daten arbeiten. In diesem Report werden Deep-Learning-Ansätze (Sequenzmodelle, VAEs, GANs) zur Erkennung von Anomalien, deren Verwendung, Leistungsbenchmarks und Produktmöglichkeiten untersucht.
Federated Learning
Federated Learning ermöglicht den Aufbau maschineller Lernsysteme ohne direkten Zugriff auf Trainingsdaten. Die Daten verbleiben an ihrem ursprünglichen Speicherort, wodurch der Datenschutz leichter zu gewährleisten ist und Kommunikationskosten gesenkt werden können. Federated Learning eignet sich hervorragend für den Einsatz in Smartphones und Edge-Hardware, im Gesundheitswesen und anderen, in Bezug auf Datenschutz sensiblen Anwendungsfällen, sowie in industriellen Anwendungen wie der vorausschauenden Wartung.
Reports nur mit Abonnement
Aktualisierte Versionen älterer Reports werden in Zukunft kostenlos verfügbar sein. Schauen Sie daher regelmäßig vorbei.
Transfer Learning für NLP
NLP-Technologien (Natural Language Processing) können Sprache übersetzen, Fragen beantworten und menschenähnlichen Text generieren, aber die zugrunde liegenden Deep-Learning-Techniken erfordern kostspielige Datasets, Infrastruktur und Fachwissen. In diesem Report zeigen wir, wie Sie Transfer Learning verwenden, um vorhandene Modelle an jede NLP-Anwendung anzupassen, wodurch das Erstellen von Hochleistungs-NLP-Systemen vereinfacht wird.
Deep Learning für Bildanalysen - Ausgabe 2019
Convolutional Neural Networks (CNNs oder ConvNets) zeichnen sich durch das Erlernen aussagekräftiger Darstellungen von Funktionen und Konzepten innerhalb von Bildern aus, wodurch CNNs wesentlich zur Lösung von Problemen in mehreren Bereichen beitragen, von der medizinischen Bildgebung bis zur Fertigung. In diesem Bericht zeigen wir, wie Sie die richtigen Deep-Learning-Modelle für Bildanalyseaufgaben und -techniken zum Debuggen von Deep-Learning-Modellen auswählen.
Multi-Task Learning
In diesem Bericht konzentrieren wir uns auf Multi-Task Learning, ein neuer Ansatz für maschinelles Lernen, der Algorithmen ermöglicht, Aufgaben parallel zu bewältigen.
Semantische Empfehlungen
In diesem Bericht werden wir zeigen, wie die semantischen Inhalte von Elementen helfen können, gängige Empfehlungsfallstricke zu lösen, wie etwa das Problem mit dem Kaltstart, und wie sie neue Produktmöglichkeiten eröffnen können.
Interpretierbarkeit
In diesem Bericht werden wir zeigen, wie Modelle interpretierbar gemacht werden ohne Einbußen ihrer Fähigkeiten oder Präzision.
Probabilistische Programmierung
Hier zeigen wir, wie Sie eine probabilistische Programmierung und Bayessche Inferenz verwenden, um Tools mühelos zu entwickeln, die bessere Prognosen für eine effektivere Entscheidungsfindung schaffen.
Zusammenfassung
Erfahren Sie, wie Deep Learning und Einbettungen verwendet werden, um Text für eine Vielzahl von Geschäftsanwendungen und Produkten berechenbar zu machen.
Deep Learning: Bildanalysen
Dieser Bericht untersucht die Historie und den aktuellen Status des tiefen Lernens, erläutert, wie es angewendet wird und prognostiziert künftige Entwicklungen.
Probabilistische Methoden für Echtzeit-Streams
Hier erkunden wir probabilistische Methoden, die hocheffiziente Modelle für die Wertschöpfpung aus Datenstreams bei deren Generierung bieten.
Textgenerierung (natürlichsprachliche Generierung)
In diesem Bericht werden wir uns ansehen, wie Maschinensysteme hochstrukturierte Daten in menschliche Sprache umwandeln können.
Lesen Sie den Fast Forward Labs Blog
Halten Sie sich auf dem Laufenden
Melden Sie sich für unseren monatlichen Newsletter an und Sie erhalten die neuesten Informationen über Fortschritte in der angewandten künstlichen Intelligenz sowie Unternehmens-News und Veranstaltungen.