Eingabe löschen

Kopfbereich

Schnellnavigation

Hauptnavigation

Machine Learning and Predictive Modelling

Methoden des Machine Learning und Predictive Modelling 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. physikalisch oder klassisch statistisch) 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.

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).

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

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

Wirtschaftspartner

Forschungspartner

  • Unispital Zürich
  • Universität Zürich
  • Inselspital Bern

Netzwerkzugehörigkeiten und Engagements

Konferenzen

Beteiligte Personen des IDP