Eingabe löschen

Kopfbereich

Schnellnavigation

Hauptnavigation

Machine Learning and Deep Learning

Methoden des Machine Learning und Deep Learning kombinieren Ansätze aus Statistik und Informatik, um auch in komplexen Situationen Vorhersagen zu machen, zu Klassifizieren oder Muster zu erkennen.

Übersicht

Für viele aktuellen Fragestellungen sind die zugrundeliegenden Prozesse, Zusammenhänge und Wirkungsmechanismen qualitativ nur unvollständig verstanden und klassische theoriebasierte Modellansätze (z.B. physikalische oder klassisch statistische) stehen nicht zur Verfügung. Sind jedoch genügend Daten vorhanden, können moderne Algorithmen aus dem Machine Learning ohne explizite Spezifikation eines Modells trotzdem häufig gute Vorhersagen liefern.

Mittels Deep-Learning-Methoden wird an MRT-Bildern des Gehirns erkannt, ob es sich um einen Schlaganfall handelt.

Am IDP werden in Kombination mit klassischen statistischen Methoden (z.B. Regressionsanalyse) auch Methoden wie Random Forests, Boosting, Support Vector Machines und tiefe neuronale Netze (Deep Learning) eingesetzt, um komplexe Vorhersage- und Klassifikationsprobleme zu lösen. Sogenannte unüberwachte Lernalgorithmen bzw. Data-Mining-Methoden können ausserdem neue Strukturen und Muster in Datensätzen entdecken (z.B. Clusteranalyse).

Machine-Learning-Methoden eignen sich auch für die Analyse von Daten, die nicht in Tabellenform vorliegen, z.B. Textdaten oder Netzwerkstrukturen. Für digital vorliegende Bilder (z.B. in der medizinischen Diagnostik), Audiodaten oder ähnliche Signale liefert die jüngste Generation neuronaler Netze («Deep Learning») Ergebnisse mit bisher nicht erreichten, tiefen Fehlerraten.

Ausgewählte Projekte

Ausgewählte Wirtschaftspartner

Ausgewählte Forschungspartner

Netzwerkzugehörigkeiten und Engagements

Konferenzen

Konferenzen, welche durch das IDP organisiert oder von Personen des IDP mitorganisiert wurden:

Beteiligte Personen des IDP