dida Logo
English

Blog

About machine learning, its practical applications and some theoretical considerations

Empfohlen

13. Januar

2023

Mehrschichtige Requirements mit pip-tools verwalten

Geschrieben von Augusto Stoffel (PhD)

Bei der Erstellung von Python-Anwendungen für die Produktion ist es eine gute Praxis, alle Abhängigkeitsversionen festzuhalten. Hier erklären wir, wie man ein mehrschichtiges Requirements-Setup verwaltet.

21. November

2022

Kollaboratives Filtern für Empfehlungsdienste

29. August

2022

Empfehlungssysteme - Ein Überblick

2. August

2022

Die besten (Python-)Tools für die Fernerkundung

18. Juli

2022

Der Projektantrag - der erste Schritt zu einem erfolgreichen ML-Projekt

Computer Vision

Maschinen das Sehen beibringen

Computer Vision

Metric Learning - eine Einführung

Von Dr. William Clemens • 26. September 2022

Dieser Blogbeitrag gibt eine kurze Einführung in das metrische Lernen. Er erklärt gängige Abstandsmaße und Verlustfunktionen wie den Triplet-Verlust.
Einführendes

Empfehlungssysteme - Ein Überblick

Von Konrad Mundinger • 29. August 2022

In diesem Blogbeitrag gebe ich einen Überblick über die Grundkonzepte, Anwendungen und Grenzen von Empfehlungssystemen. Unter anderem werde ich auf inhaltsbasierte und kollaborative Filterung eingehen.
Computer Vision

Die besten (Python-)Tools für die Fernerkundung

Von Emilius Richter • 2. August 2022

Ich stelle die besten (Python-)Werkzeuge für die Fernerkundung und die Verarbeitung von Satellitendaten vor, basierend auf unseren praktischen Erfahrungen mit ihnen bei dida. Für einige zeige ich Anwendungsbeispiele inklusive Code.
Computer Vision

Image Captioning mit Attention-Mechanismus

Von Madina Kasymova • 30. Mai 2022

In diesem Artikel untersuchen wir, wie eine Pipeline zur Erzeugung von Bildunterschriften funktioniert. Insbesondere betrachten wir den Attention-Mechanismus - ein vielversprechender Ansatz für die Bildbeschriftung.
Computer Vision

Wie man ein Jupyter Notebook-basiertes Labeling-Tool zur Bildklassifizierung implementiert

Von Felix Brunner • 21. März 2022

Ich werde Sie Schritt für Schritt durch die Erstellung eines einfachen Annotationstools führen, mit dem Sie einem Satz von Bildern auf einfache Weise Klassenlabels zuweisen können. Mithilfe von ipywidgets kann das Tool kann in einem Jupyter Notebook geschrieben und verwendet werden.
Computer Vision

Datenzentriertes maschinelles Lernen: Maßgeschneiderte ML-Lösungen zur Produktionsreife bringen

Von David Berscheid • 6. Oktober 2021

In diesem Artikel werden wir sehen, warum viele ML-Projekte es nicht in die Produktion schaffen, die Konzepte von modell- und datenzentriertem ML vorstellen und Beispiele geben, wie wir bei dida Projekte durch den Einsatz datenzentrierter Techniken verbessern.
Computer Vision

Klassifizierung von Anbauflächen anhand von Satellitenbild-Zeitreihen

Von Tiago Sanona • 19. August 2021

In Anlehnung an die Arbeit von Garnot et al. verwenden wir eine abgewandelte Version des Transformers, um Pflanzenfelder aus Zeitreihen von Satellitenbildern zu klassifizieren. Damit erzielen wir bessere Ergebnisse als traditionelle Methoden (z. B. Random Forests).
Computer Vision

Informationsextraktion aus technischen Zeichnungen

Von Dr. Frank Weilandt • 16. Juli 2021

In diesem Blogpost zeigen wir, wie sowohl traditionelle als auch Deep-Learning-basierte Computer-Vision-Techniken für die Informationsextraktion aus technischen Zeichnungen in Explosionsdarstellung eingesetzt werden können.
Computer Vision

Visual Transformers: Wie eine NLP-Architektur auf Computer Vision angewendet wird

Von Konrad Mundinger • 5. Juli 2021

Visual Transformers wenden die grundlegenden Ideen des Transformers auf den Bereich Computer Vision an. In diesem Blogpost werden wir uns genauer ansehen, wie das funktioniert und was es bedeutet, ein Bild zu tokenisieren.
Computer Vision

CLIP: Wie sich der Schatz ungelabelter Bilddaten heben lässt

Von Fabian Gringel • 21. Juni 2021

Contrastive Language-Image Pretraining (kurz: CLIP) nutzt Bildunterschriften, um einen Zero-Shot-Bildklassifikator zu trainieren. In diesem Blogartikel gebe ich einen groben, nicht-technischen Überblick über die Funktionsweise von CLIP und zeige auch, wie Sie CLIP selbst ausprobieren können!
Projects

21 Fragen, die wir unseren Kunden stellen: Start eines erfolgreichen ML-Projekts

Von Emilius Richter • 21. Mai 2021

Wir besprechen, welche Fragen im Vorfeld berücksichtigt und beantwortet werden sollten, um ein erfolgreiches Machine-Learning-Softwareprojekt zu starten.
Tools

Die besten Bildannotations-Tools für Computer Vision

Von Die besten Bildannotations-Tools für Computer Vision • 8. April 2021

Hier werden wir uns einige der besten Bildannotations-Tools für Computer-Vision-Aufgaben genauer ansehen. Wir werden die Werkzeuge installieren und konfigurieren und ihre Fähigkeiten veranschaulichen, indem wir sie auf die Annotation echter Bilder für eine Objekterkennungsaufgabe anwenden.
Natural Language Processing

didas Tech-Stack

Von Fabian Gringel • 29. März 2021

Dieser Blogartikel gibt einen Überblick über unseren Tech-Stack bei dida. Ich beschreibe die Tools, die unseren Softwareentwicklungsprozess prägen und unsere bevorzugten Python-Bibliotheken für Machine- und Deep-Learning.
Computer Vision

Exploration mineralischer Rohstoff­vorkommen mittels Fernerkundung

Von Fabian Dechent • 19. März 2021

In diesem Artikel werden wir einen Blick auf die Möglichkeiten werfen, die die Fernerkundung mittels weltraumgestützter Bildgebung für die Greenfield-Exploration bietet, d. h. für das Auffinden von Gebieten, in denen der Boden hochgradige Mineralien von Interesse trägt.
Tools

Software-Deployment mit Docker-Containern

Von Fabian Gringel • 26. Februar 2021

Hier werde ich eine kurze Anleitung zur Verwendung von Docker-Containern für die Softwarebereitstellung geben. Ich gehe davon aus, dass wir eine Python-Anwendung mit einer Web-API bereitstellen möchten.
Computer Vision

Graph Neural Networks anhand von CNNs verstehen

Von Dr. Augusto Stoffel • 5. Februar 2021

Wir stellen die grundlegenden Ideen hinter Graph Neural Networks (GNNs) vor und erklären, wie sie den Ansatz hinter Convolutional Nets verallgemeinern. Dann geben wir einen Überblick über einige Anwendungen von GNNs.
Computer Vision

Mit Python MGRS-Koordinaten konvertieren

Von Tiago Sanona • 18. Januar 2021

In diesem Beitrag zeige ich, wie MGRS (und UTM) funktionieren und wie man die mgrs-Bibliothek von Python verwendet, um von MGRS-Koordinaten in Latitude/Longitude in Grad zu konvertieren und andersherum.
Computer Vision

Satellitengestütztes Monitoring der Verstädterung

Von Johan Dettmar • 12. Oktober 2020

Wir zeigen, wie wir mit Hilfe von Satellitenbildern und Computer-Vision die urbane Entwicklung von schnell wachsenden Städten über die Zeit verfolgen. Das horizontale Wachstum wurde durch ein U-Netz vorhergesagt, das vertikale Wachstum durch ein Im2Height-Modell.
Computer Vision

Illegale Minen aus dem Weltraum erkennen

Von Illegale Minen aus dem Weltraum erkennen • 1. September 2020

In diesem Blogbeitrag beschreibe ich einen Ansatz zur Erkennung illegaler Minen auf Basis von Deep Learning und Fernerkundung, den wir entwickelt haben, um die Naturschutzbemühungen von Regierungen und NGOs zu unterstützen. Insbesondere verwenden wir ein U-Netz für die semantische Segmentierung, ein Zweig der Computer Vision.
Einführendes

Was ist Reinforcement Learning? (Teil 2)

Von Was ist Reinforcement Learning? (Teil 2) • 3. August 2020

Im vorherigen Beitrag haben wir die Grundlagen des Reinforcement Learning vorgestellt. Die besprochene Einstellung war insofern begrenzt, als dass wir es mit einem einzelnen Agenten zu tun hatten, der in einer stationären Umgebung agiert. Jetzt werden wir einen Schritt weiter gehen und Multi-Agent Reinforcement Learning (MARL) diskutieren.
Computer Vision

Pretraining für die Fernerkundung

Von Dr. William Clemens • 11. Mai 2020

In diesem Blog-Beitrag beschreibe ich eine Reihe von Pre-Training-Aufgaben, die man entweder separat oder in Kombination verwenden kann, um gute "Start"-Gewichte zu erhalten, bevor Sie ein Modell auf Ihren tatsächlich gelabelten Satelliten-/Luftbildern trainieren.
Einführendes

Was ist Reinforcement Learning? (Teil 1)

Von Was ist Reinforcement Learning? (Teil 1) • 27. April 2020

In diesem Beitrag geben wir eine kurze Einführung in das allgemeine Rahmenwerk des Reinforcement Learning (RL) und schauen uns ein paar grundlegende Lösungsansätze genauer an. Schließlich werden wir ein visuelles Beispiel für RL bei der Arbeit geben und weitere Ansätze diskutieren.
Einführendes

Wozu gelabelte Daten? (Un)überwachtes Machine Learning

Von Lorenzo Melchior • 14. April 2020

In diesem Blogbeitrag untersuche ich, wie gut ich einen unüberwachten maschinellen Lernalgorithmus für eine Bildklassifizierungsaufgabe trainieren kann. Anschließend analysiere ich, wie die Menge der Trainingsdaten die Leistung beeinflusst.
Computer Vision

Objekterkennung in Videos mit PyTorch

Von Dr. William Clemens • 16. März 2020

Hier werde ich Ihnen zeigen, wie Sie ein YouTube-Video in Python streamen und dann ein vortrainiertes PyTorch-Modell darauf anwenden, um Objekte zu erkennen.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 2)

Von Was ist Bayes'sche Lineare Regression? (Teil 2) • 4. März 2020

Dies ist der zweite Teil eines Blog-Beitrags, der den Bayes'schen Ansatz zur linearen Regression erklärt und sich dabei auf die Mathematik hinter der Methode konzentriert.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 1)

Von Was ist Bayes'sche Lineare Regression? (Teil 1) • 17. Februar 2020

Dieser Blog-Beitrag erklärt den Bayes'schen Ansatz zur linearen Regression, motiviert die Methode durch ein einfaches Beispiel und entwirrt dann die Mathematik dahinter.
Theorie & Algorithmen

Beat Tracking mit tiefen neuronalen Netzen

Von Beat Tracking mit tiefen neuronalen Netzen • 31. Januar 2020

In diesem Beitrag stelle ich einen Beat-Tracking-Algorithmus vor, der eine rechnerische Methode zur Extraktion der Beat-Positionen aus Audiosignalen ist. Das vorgestellte Beat-Tracking-System (Davies, 2019) basiert auf einem temporalen Faltungsnetzwerk (TCN). Ich habe den Code auf GitHub veröffentlicht.
Theorie & Algorithmen

Machine Learning-Ansätze für Zeitreihen

Von Machine Learning-Ansätze für Zeitreihen • 18. Dezember 2019

Dieser Blog-Beitrag bietet eine Einführung in Zeitreihen und serielle Sequenzen und zeigt, wie Recurrent Neural Networks (RNN) mit ihnen umgehen können.
Software Development

Wie ein TensorFlow-Model zu einer JavaScript-Web-App wird

Von Johan Dettmar • 2. Dezember 2019

Dieser Artikel zeigt, wie man ein TensorFlow-Modell in Python trainiert und es dann als JavaScript-App einsetzt, die online verteilt werden kann. Als Beispielfall verwenden wir die Handschrifterkennung.
Computer Vision

Mit ConvNets Wolken auf Satellitenbildern erkennen

Von Dr. William Clemens • 11. November 2019

Dieser Blog-Beitrag erklärt, wie man konvektive Wolken in Satellitendaten mit einem ConvNet vom Typ U-Net erkennt.
Tools

Wie Google Cloud Machine Learning-Projekte beschleunigt

Von Johan Dettmar • 25. Oktober 2019

Während die meisten PCs und Laptops heutzutage eine erhebliche Arbeitslast bewältigen können, reicht die Leistung für Machine Learning-Zwecke oft nicht aus. Im folgenden Artikel gehen wir auf einige der häufigsten Engpässe ein und zeigen, wie Cloud-Dienste helfen können, die Dinge zu beschleunigen.
Computer Vision

Wie GANs helfen, Produktionsfehler zu erkennen

Von Lorenzo Melchior • 24. September 2019

Beim maschinellen Lernen behindert eine unzureichende Menge an Trainingsdaten oft die Leistung von Klassifizierungsalgorithmen. In diesem Blog-Beitrag zeige ich, wie Sie mit einem Generative Adversarial Network (GAN) neue Bilder aus einer Verteilung von Bildern erzeugen können.
Einführendes

Mustererkennung in der medizinischen Bildgebung

Von Mustererkennung in der medizinischen Bildgebung • 27. August 2019

Dieser Artikel erklärt, wie ML-Algorithmen, insbesondere Convolutional Neural Networks, medizinische Bilder interpretieren können und welche Schwierigkeiten dabei noch auftreten.
Einführendes

Was ist KI?

Von Was ist KI? • 15. Juli 2019

Dieser Blog-Artikel erläutert einige Begriffe aus den Bereichen Künstliche Intelligenz, maschinelles Lernen und Deep Learning und gibt eine Vorstellung davon, wie diese Technologien in der Computer Vision (CV) eingesetzt werden können.
Computer Vision

Semantische Segmentierung von Satellitenbildern

Von Dr. Nelson Martins • 24. Mai 2019

Bei der Erstellung eines ML-Modells für die semantische Segmentierung von Satellitenbildern haben wir festgestellt, dass eine UNet-Architektur mit Würfelverlust, die mit einer Pixelgewichtungsstrategie erzwungen wird, die auf Kreuzentropie basierenden Verlustfunktionen übertrifft. Hier stellen wir den Ansatz und die Ergebnisse vor.

Natural Language Processing

Text, Sprache und strukturierte Dokumente verständlich machen

Einführendes

Empfehlungssysteme - Ein Überblick

Von Konrad Mundinger • 29. August 2022

In diesem Blogbeitrag gebe ich einen Überblick über die Grundkonzepte, Anwendungen und Grenzen von Empfehlungssystemen. Unter anderem werde ich auf inhaltsbasierte und kollaborative Filterung eingehen.
Computer Vision

Image Captioning mit Attention-Mechanismus

Von Madina Kasymova • 30. Mai 2022

In diesem Artikel untersuchen wir, wie eine Pipeline zur Erzeugung von Bildunterschriften funktioniert. Insbesondere betrachten wir den Attention-Mechanismus - ein vielversprechender Ansatz für die Bildbeschriftung.
Natural Language Processing

OpenAI Codex: Warum die Revolution noch ausbleibt

Von Fabian Gringel • 18. Februar 2022

In diesem Blogbeitrag erkläre ich, wie Codex von OpenAI funktioniert, und insbesondere, wie es sich von GPT-3 unterscheidet. Ich werde begründen, warum ich denke, dass Codex mit Vorsicht verwendet werden sollte und noch nicht bereit ist, den Softwareentwicklungsprozess zu revolutionieren.
Einführendes

Ethik im Natural Language Processing

Von Dr. Marty Oelschläger • 20. Dezember 2021

Ich erkläre, warum Sprachmodelle dazu neigen, Stereotypen und Vorurteile mit potenziell schädlichen Folgen zu reproduzieren - und wie man sie mit der gebotenen Vorsicht einsetzt.
Natural Language Processing

GPT-3 und darüber hinaus - Teil 2: Schwächen und Gegenmittel

Von Fabian Gringel • 24. Oktober 2021

Hier erkläre ich, in welchen Situationen GPT-3 noch scheitert, welche Ansätze helfen können, diese Probleme zu entschärfen und vielleicht zum nächsten Durchbruch führen und welche Alternativen zu GPT-3 es bereits gibt.
Computer Vision

Datenzentriertes maschinelles Lernen: Maßgeschneiderte ML-Lösungen zur Produktionsreife bringen

Von David Berscheid • 6. Oktober 2021

In diesem Artikel werden wir sehen, warum viele ML-Projekte es nicht in die Produktion schaffen, die Konzepte von modell- und datenzentriertem ML vorstellen und Beispiele geben, wie wir bei dida Projekte durch den Einsatz datenzentrierter Techniken verbessern.
Natural Language Processing

GPT-3 und darüber hinaus - Teil 1: Das Grundrezept

Von Fabian Gringel • 27. September 2021

In diesem Blogartikel erkläre ich, wie GPT-3 funktioniert, warum manche Leute es für gefährlich halten und wie Sie selbst ein GPT-3-ähnliches Modell kostenlos ausprobieren können.
Computer Vision

CLIP: Wie sich der Schatz ungelabelter Bilddaten heben lässt

Von Fabian Gringel • 21. Juni 2021

Contrastive Language-Image Pretraining (kurz: CLIP) nutzt Bildunterschriften, um einen Zero-Shot-Bildklassifikator zu trainieren. In diesem Blogartikel gebe ich einen groben, nicht-technischen Überblick über die Funktionsweise von CLIP und zeige auch, wie Sie CLIP selbst ausprobieren können!
Projects

21 Fragen, die wir unseren Kunden stellen: Start eines erfolgreichen ML-Projekts

Von Emilius Richter • 21. Mai 2021

Wir besprechen, welche Fragen im Vorfeld berücksichtigt und beantwortet werden sollten, um ein erfolgreiches Machine-Learning-Softwareprojekt zu starten.
Einführendes

Automatische Fragebeantwortung für Suchmaschinen

Von Angela Maennel • 26. April 2021

Hier zeige ich, wie Open-Domain-Fragebeantwortungssysteme funktionieren und wie sie Suchmaschinen verbessern können. Wir werden uns eine bestimmte Art von System, DrQA, näher ansehen.
Natural Language Processing

didas Tech-Stack

Von Fabian Gringel • 29. März 2021

Dieser Blogartikel gibt einen Überblick über unseren Tech-Stack bei dida. Ich beschreibe die Tools, die unseren Softwareentwicklungsprozess prägen und unsere bevorzugten Python-Bibliotheken für Machine- und Deep-Learning.
Tools

Software-Deployment mit Docker-Containern

Von Fabian Gringel • 26. Februar 2021

Hier werde ich eine kurze Anleitung zur Verwendung von Docker-Containern für die Softwarebereitstellung geben. Ich gehe davon aus, dass wir eine Python-Anwendung mit einer Web-API bereitstellen möchten.
Computer Vision

Graph Neural Networks anhand von CNNs verstehen

Von Dr. Augusto Stoffel • 5. Februar 2021

Wir stellen die grundlegenden Ideen hinter Graph Neural Networks (GNNs) vor und erklären, wie sie den Ansatz hinter Convolutional Nets verallgemeinern. Dann geben wir einen Überblick über einige Anwendungen von GNNs.
Natural Language Processing

Mit Python doppelte Dateien finden

Von Ewelina Fiebig • 28. September 2020

In diesem Blogbeitrag werde ich kurz demonstrieren, wie die Inhalte verschiedener Dateien mit dem Python-Modul filecmp verglichen werden können. Nachdem die Duplikate identifiziert wurden, werde ich zeigen, wie sie automatisch gelöscht werden können.
Natural Language Processing

Text aus PDF-Dateien extrahieren

Von Text aus PDF-Dateien extrahieren • 17. August 2020

Im Folgenden möchte ich die Open-Source-Python-PDF-Werkzeuge PyPDF2, pdfminer und PyMuPDF vorstellen, die zur Extraktion von Text aus PDF-Dateien verwendet werden können. Ich werde ihre Funktionen vergleichen und auf einige Nachteile hinweisen.
Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 1)

Von Dr. Mattes Mollenhauer • 22. Juli 2020

In diesem Artikel werden wir uns BERT genauer ansehen - ein hochmodernes Modell für eine Reihe von verschiedenen Problemen in der Verarbeitung natürlicher Sprache. Wir werden sehen, wie BERT funktioniert, und das Problem der automatischen Beantwortung von Fragen untersuchen.
Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 2)

Von Dr. Mattes Mollenhauer • 2. Juli 2020

Hier werden wir einen genaueren Blick auf BERT werfen - ein State-of-the-Art-Modell für verschiedene Probleme in NLP. Wir werden BERT verwenden, um das Problem der automatisierten Fragebeantwortung mit biomedizinischen Forschungsarbeiten als konkreten Anwendungsfall anzugehen.
Tools

Die besten kostenlosen Labeling-Tools für NLP-Textannotationen

Von Fabian Gringel • 30. März 2020

In diesem Blogbeitrag stelle ich die drei besten freien Text-Annotationstools für die manuelle Beschriftung von Dokumenten in NLP-Projekten vor. Sie erfahren, wie Sie sie installieren, konfigurieren und verwenden können und finden heraus, welches von ihnen am besten für Ihre Zwecke geeignet ist. Die Tools, die ich vorstellen werde, sind brat, doccano und INCEpTION.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 2)

Von Was ist Bayes'sche Lineare Regression? (Teil 2) • 4. März 2020

Dies ist der zweite Teil eines Blog-Beitrags, der den Bayes'schen Ansatz zur linearen Regression erklärt und sich dabei auf die Mathematik hinter der Methode konzentriert.
Natural Language Processing

Digitale Verwaltung: Intuitiver Online-Zugang durch KI

Von Jona Welsch • 2. März 2020

Der folgende Artikel beschreibt, wie KI bei der Etablierung von Digital-Governance-Diensten helfen kann, und zwar am Beispiel von Gewerbeanmeldungen und dem KI-Modell "BERT".
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 1)

Von Was ist Bayes'sche Lineare Regression? (Teil 1) • 17. Februar 2020

Dieser Blog-Beitrag erklärt den Bayes'schen Ansatz zur linearen Regression, motiviert die Methode durch ein einfaches Beispiel und entwirrt dann die Mathematik dahinter.
Theorie & Algorithmen

Beat Tracking mit tiefen neuronalen Netzen

Von Beat Tracking mit tiefen neuronalen Netzen • 31. Januar 2020

In diesem Beitrag stelle ich einen Beat-Tracking-Algorithmus vor, der eine rechnerische Methode zur Extraktion der Beat-Positionen aus Audiosignalen ist. Das vorgestellte Beat-Tracking-System (Davies, 2019) basiert auf einem temporalen Faltungsnetzwerk (TCN). Ich habe den Code auf GitHub veröffentlicht.
Tools

Test von OCR-Scannern: die beste Software für Texterkennung

Von Fabian Gringel • 20. Januar 2020

Dieser Blogbeitrag stellt die gängigsten OCR-Tools vor, zeigt, wie man sie einsetzt und bewertet ihre Stärken und Schwächen. Am Ende werden Sie in der Lage sein, ein OCR-Tool auszuwählen und anzuwenden, das zu den Anforderungen Ihres Projekts passt.
Theorie & Algorithmen

Temporal Convolutional Networks für die Sequenz-Modellierung

Von Temporal Convolutional Networks für die Sequenz-Modellierung • 6. Januar 2020

Dieser Blog-Beitrag stellt einen einfachen, aber leistungsfähigen Faltungsansatz für Sequenzen vor, der Temporal Convolutional Network (TCN) genannt wird und ursprünglich in Bai 2018 vorgeschlagen wurde, und sagt Ihnen, wo Sie Implementierungen für Pytorch, Keras und Tensorflow finden.
Theorie & Algorithmen

Machine Learning-Ansätze für Zeitreihen

Von Machine Learning-Ansätze für Zeitreihen • 18. Dezember 2019

Dieser Blog-Beitrag bietet eine Einführung in Zeitreihen und serielle Sequenzen und zeigt, wie Recurrent Neural Networks (RNN) mit ihnen umgehen können.
Software Development

Wie ein TensorFlow-Model zu einer JavaScript-Web-App wird

Von Johan Dettmar • 2. Dezember 2019

Dieser Artikel zeigt, wie man ein TensorFlow-Modell in Python trainiert und es dann als JavaScript-App einsetzt, die online verteilt werden kann. Als Beispielfall verwenden wir die Handschrifterkennung.
Tools

Wie Google Cloud Machine Learning-Projekte beschleunigt

Von Johan Dettmar • 25. Oktober 2019

Während die meisten PCs und Laptops heutzutage eine erhebliche Arbeitslast bewältigen können, reicht die Leistung für Machine Learning-Zwecke oft nicht aus. Im folgenden Artikel gehen wir auf einige der häufigsten Engpässe ein und zeigen, wie Cloud-Dienste helfen können, die Dinge zu beschleunigen.
Einführendes

Was ist Natural Language Processing (NLP)?

Von Fabian Gringel • 12. August 2019

In diesem Blogbeitrag erkläre ich, worum es bei NLP geht und zeige, wie Machine Learning ins Spiel kommt. Am Ende werden Sie gelernt haben, mit welchen Problemen sich NLP beschäftigt, welche Arten von Methoden es verwendet und wie Machine-Learning-Modelle an die spezifische Natur von natürlichsprachlichen Daten angepasst werden können.
Einführendes

Was ist KI?

Von Was ist KI? • 15. Juli 2019

Dieser Blog-Artikel erläutert einige Begriffe aus den Bereichen Künstliche Intelligenz, maschinelles Lernen und Deep Learning und gibt eine Vorstellung davon, wie diese Technologien in der Computer Vision (CV) eingesetzt werden können.
Natural Language Processing

Informationen aus Dokumenten auslesen

Von Dr. Frank Weilandt • 23. April 2019

Dieser Blogbeitrag stellt eine Heuristik vor, wie man mit PythonTesseract das Datum eines Briefes automatisch auslesen kann und präsentiert den entsprechenden Code.

Einführendes

Die Basics zu Machine Learning und seinen Spielarten

Einführendes

Mehrschichtige Requirements mit pip-tools verwalten

Von Dr. Augusto Stoffel • 13. Januar 2023

Bei der Erstellung von Python-Anwendungen für die Produktion ist es eine gute Praxis, alle Abhängigkeitsversionen festzuhalten. Hier erklären wir, wie man ein mehrschichtiges Requirements-Setup verwaltet.
Einführendes

Kollaboratives Filtern für Empfehlungsdienste

Von Konrad Mundinger • 21. November 2022

In diesem Blog-Beitrag gebe ich einen Überblick und stelle Python-Code für verschiedene Techniken der kollaborativen Filterung zur Verfügung.
Computer Vision

Metric Learning - eine Einführung

Von Dr. William Clemens • 26. September 2022

Dieser Blogbeitrag gibt eine kurze Einführung in das metrische Lernen. Er erklärt gängige Abstandsmaße und Verlustfunktionen wie den Triplet-Verlust.
Einführendes

Empfehlungssysteme - Ein Überblick

Von Konrad Mundinger • 29. August 2022

In diesem Blogbeitrag gebe ich einen Überblick über die Grundkonzepte, Anwendungen und Grenzen von Empfehlungssystemen. Unter anderem werde ich auf inhaltsbasierte und kollaborative Filterung eingehen.
Einführendes

Der Projektantrag - der erste Schritt zu einem erfolgreichen ML-Projekt

Von Emilius Richter • 18. Juli 2022

Für einen Softwareanbieter ist der Projektantrag der erste Schritt zur Erfüllung der Anforderungen des Kunden. In diesem Artikel werde ich die wichtigsten Module in Machine-Learning-Projektanträgen beschreiben.
Natural Language Processing

OpenAI Codex: Warum die Revolution noch ausbleibt

Von Fabian Gringel • 18. Februar 2022

In diesem Blogbeitrag erkläre ich, wie Codex von OpenAI funktioniert, und insbesondere, wie es sich von GPT-3 unterscheidet. Ich werde begründen, warum ich denke, dass Codex mit Vorsicht verwendet werden sollte und noch nicht bereit ist, den Softwareentwicklungsprozess zu revolutionieren.
Einführendes

Ethik im Natural Language Processing

Von Dr. Marty Oelschläger • 20. Dezember 2021

Ich erkläre, warum Sprachmodelle dazu neigen, Stereotypen und Vorurteile mit potenziell schädlichen Folgen zu reproduzieren - und wie man sie mit der gebotenen Vorsicht einsetzt.
Natural Language Processing

GPT-3 und darüber hinaus - Teil 2: Schwächen und Gegenmittel

Von Fabian Gringel • 24. Oktober 2021

Hier erkläre ich, in welchen Situationen GPT-3 noch scheitert, welche Ansätze helfen können, diese Probleme zu entschärfen und vielleicht zum nächsten Durchbruch führen und welche Alternativen zu GPT-3 es bereits gibt.
Natural Language Processing

GPT-3 und darüber hinaus - Teil 1: Das Grundrezept

Von Fabian Gringel • 27. September 2021

In diesem Blogartikel erkläre ich, wie GPT-3 funktioniert, warum manche Leute es für gefährlich halten und wie Sie selbst ein GPT-3-ähnliches Modell kostenlos ausprobieren können.
Computer Vision

Visual Transformers: Wie eine NLP-Architektur auf Computer Vision angewendet wird

Von Konrad Mundinger • 5. Juli 2021

Visual Transformers wenden die grundlegenden Ideen des Transformers auf den Bereich Computer Vision an. In diesem Blogpost werden wir uns genauer ansehen, wie das funktioniert und was es bedeutet, ein Bild zu tokenisieren.
Projects

21 Fragen, die wir unseren Kunden stellen: Start eines erfolgreichen ML-Projekts

Von Emilius Richter • 21. Mai 2021

Wir besprechen, welche Fragen im Vorfeld berücksichtigt und beantwortet werden sollten, um ein erfolgreiches Machine-Learning-Softwareprojekt zu starten.
Einführendes

Automatische Fragebeantwortung für Suchmaschinen

Von Angela Maennel • 26. April 2021

Hier zeige ich, wie Open-Domain-Fragebeantwortungssysteme funktionieren und wie sie Suchmaschinen verbessern können. Wir werden uns eine bestimmte Art von System, DrQA, näher ansehen.
Computer Vision

Exploration mineralischer Rohstoff­vorkommen mittels Fernerkundung

Von Fabian Dechent • 19. März 2021

In diesem Artikel werden wir einen Blick auf die Möglichkeiten werfen, die die Fernerkundung mittels weltraumgestützter Bildgebung für die Greenfield-Exploration bietet, d. h. für das Auffinden von Gebieten, in denen der Boden hochgradige Mineralien von Interesse trägt.
Einführendes

Was ist Reinforcement Learning? (Teil 2)

Von Was ist Reinforcement Learning? (Teil 2) • 3. August 2020

Im vorherigen Beitrag haben wir die Grundlagen des Reinforcement Learning vorgestellt. Die besprochene Einstellung war insofern begrenzt, als dass wir es mit einem einzelnen Agenten zu tun hatten, der in einer stationären Umgebung agiert. Jetzt werden wir einen Schritt weiter gehen und Multi-Agent Reinforcement Learning (MARL) diskutieren.
Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 1)

Von Dr. Mattes Mollenhauer • 22. Juli 2020

In diesem Artikel werden wir uns BERT genauer ansehen - ein hochmodernes Modell für eine Reihe von verschiedenen Problemen in der Verarbeitung natürlicher Sprache. Wir werden sehen, wie BERT funktioniert, und das Problem der automatischen Beantwortung von Fragen untersuchen.
Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 2)

Von Dr. Mattes Mollenhauer • 2. Juli 2020

Hier werden wir einen genaueren Blick auf BERT werfen - ein State-of-the-Art-Modell für verschiedene Probleme in NLP. Wir werden BERT verwenden, um das Problem der automatisierten Fragebeantwortung mit biomedizinischen Forschungsarbeiten als konkreten Anwendungsfall anzugehen.
Einführendes

Was ist Reinforcement Learning? (Teil 1)

Von Was ist Reinforcement Learning? (Teil 1) • 27. April 2020

In diesem Beitrag geben wir eine kurze Einführung in das allgemeine Rahmenwerk des Reinforcement Learning (RL) und schauen uns ein paar grundlegende Lösungsansätze genauer an. Schließlich werden wir ein visuelles Beispiel für RL bei der Arbeit geben und weitere Ansätze diskutieren.
Einführendes

Wozu gelabelte Daten? (Un)überwachtes Machine Learning

Von Lorenzo Melchior • 14. April 2020

In diesem Blogbeitrag untersuche ich, wie gut ich einen unüberwachten maschinellen Lernalgorithmus für eine Bildklassifizierungsaufgabe trainieren kann. Anschließend analysiere ich, wie die Menge der Trainingsdaten die Leistung beeinflusst.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 2)

Von Was ist Bayes'sche Lineare Regression? (Teil 2) • 4. März 2020

Dies ist der zweite Teil eines Blog-Beitrags, der den Bayes'schen Ansatz zur linearen Regression erklärt und sich dabei auf die Mathematik hinter der Methode konzentriert.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 1)

Von Was ist Bayes'sche Lineare Regression? (Teil 1) • 17. Februar 2020

Dieser Blog-Beitrag erklärt den Bayes'schen Ansatz zur linearen Regression, motiviert die Methode durch ein einfaches Beispiel und entwirrt dann die Mathematik dahinter.
Einführendes

Mustererkennung in der medizinischen Bildgebung

Von Mustererkennung in der medizinischen Bildgebung • 27. August 2019

Dieser Artikel erklärt, wie ML-Algorithmen, insbesondere Convolutional Neural Networks, medizinische Bilder interpretieren können und welche Schwierigkeiten dabei noch auftreten.
Einführendes

Was ist Natural Language Processing (NLP)?

Von Fabian Gringel • 12. August 2019

In diesem Blogbeitrag erkläre ich, worum es bei NLP geht und zeige, wie Machine Learning ins Spiel kommt. Am Ende werden Sie gelernt haben, mit welchen Problemen sich NLP beschäftigt, welche Arten von Methoden es verwendet und wie Machine-Learning-Modelle an die spezifische Natur von natürlichsprachlichen Daten angepasst werden können.
Einführendes

Was ist KI?

Von Was ist KI? • 15. Juli 2019

Dieser Blog-Artikel erläutert einige Begriffe aus den Bereichen Künstliche Intelligenz, maschinelles Lernen und Deep Learning und gibt eine Vorstellung davon, wie diese Technologien in der Computer Vision (CV) eingesetzt werden können.

Software Development

Alles rund ums Coding

Einführendes

Mehrschichtige Requirements mit pip-tools verwalten

Von Dr. Augusto Stoffel • 13. Januar 2023

Bei der Erstellung von Python-Anwendungen für die Produktion ist es eine gute Praxis, alle Abhängigkeitsversionen festzuhalten. Hier erklären wir, wie man ein mehrschichtiges Requirements-Setup verwaltet.
Einführendes

Der Projektantrag - der erste Schritt zu einem erfolgreichen ML-Projekt

Von Emilius Richter • 18. Juli 2022

Für einen Softwareanbieter ist der Projektantrag der erste Schritt zur Erfüllung der Anforderungen des Kunden. In diesem Artikel werde ich die wichtigsten Module in Machine-Learning-Projektanträgen beschreiben.
Computer Vision

Datenzentriertes maschinelles Lernen: Maßgeschneiderte ML-Lösungen zur Produktionsreife bringen

Von David Berscheid • 6. Oktober 2021

In diesem Artikel werden wir sehen, warum viele ML-Projekte es nicht in die Produktion schaffen, die Konzepte von modell- und datenzentriertem ML vorstellen und Beispiele geben, wie wir bei dida Projekte durch den Einsatz datenzentrierter Techniken verbessern.
Natural Language Processing

didas Tech-Stack

Von Fabian Gringel • 29. März 2021

Dieser Blogartikel gibt einen Überblick über unseren Tech-Stack bei dida. Ich beschreibe die Tools, die unseren Softwareentwicklungsprozess prägen und unsere bevorzugten Python-Bibliotheken für Machine- und Deep-Learning.
Tools

Software-Deployment mit Docker-Containern

Von Fabian Gringel • 26. Februar 2021

Hier werde ich eine kurze Anleitung zur Verwendung von Docker-Containern für die Softwarebereitstellung geben. Ich gehe davon aus, dass wir eine Python-Anwendung mit einer Web-API bereitstellen möchten.
Software Development

Wie ein TensorFlow-Model zu einer JavaScript-Web-App wird

Von Johan Dettmar • 2. Dezember 2019

Dieser Artikel zeigt, wie man ein TensorFlow-Modell in Python trainiert und es dann als JavaScript-App einsetzt, die online verteilt werden kann. Als Beispielfall verwenden wir die Handschrifterkennung.
Tools

Wie Google Cloud Machine Learning-Projekte beschleunigt

Von Johan Dettmar • 25. Oktober 2019

Während die meisten PCs und Laptops heutzutage eine erhebliche Arbeitslast bewältigen können, reicht die Leistung für Machine Learning-Zwecke oft nicht aus. Im folgenden Artikel gehen wir auf einige der häufigsten Engpässe ein und zeigen, wie Cloud-Dienste helfen können, die Dinge zu beschleunigen.

Theorie & Algorithmen

Für diejenigen, die keine Angst vor Formeln haben

Einführendes

Kollaboratives Filtern für Empfehlungsdienste

Von Konrad Mundinger • 21. November 2022

In diesem Blog-Beitrag gebe ich einen Überblick und stelle Python-Code für verschiedene Techniken der kollaborativen Filterung zur Verfügung.
Computer Vision

Metric Learning - eine Einführung

Von Dr. William Clemens • 26. September 2022

Dieser Blogbeitrag gibt eine kurze Einführung in das metrische Lernen. Er erklärt gängige Abstandsmaße und Verlustfunktionen wie den Triplet-Verlust.
Einführendes

Empfehlungssysteme - Ein Überblick

Von Konrad Mundinger • 29. August 2022

In diesem Blogbeitrag gebe ich einen Überblick über die Grundkonzepte, Anwendungen und Grenzen von Empfehlungssystemen. Unter anderem werde ich auf inhaltsbasierte und kollaborative Filterung eingehen.
Natural Language Processing

OpenAI Codex: Warum die Revolution noch ausbleibt

Von Fabian Gringel • 18. Februar 2022

In diesem Blogbeitrag erkläre ich, wie Codex von OpenAI funktioniert, und insbesondere, wie es sich von GPT-3 unterscheidet. Ich werde begründen, warum ich denke, dass Codex mit Vorsicht verwendet werden sollte und noch nicht bereit ist, den Softwareentwicklungsprozess zu revolutionieren.
Natural Language Processing

GPT-3 und darüber hinaus - Teil 2: Schwächen und Gegenmittel

Von Fabian Gringel • 24. Oktober 2021

Hier erkläre ich, in welchen Situationen GPT-3 noch scheitert, welche Ansätze helfen können, diese Probleme zu entschärfen und vielleicht zum nächsten Durchbruch führen und welche Alternativen zu GPT-3 es bereits gibt.
Computer Vision

Klassifizierung von Anbauflächen anhand von Satellitenbild-Zeitreihen

Von Tiago Sanona • 19. August 2021

In Anlehnung an die Arbeit von Garnot et al. verwenden wir eine abgewandelte Version des Transformers, um Pflanzenfelder aus Zeitreihen von Satellitenbildern zu klassifizieren. Damit erzielen wir bessere Ergebnisse als traditionelle Methoden (z. B. Random Forests).
Computer Vision

Informationsextraktion aus technischen Zeichnungen

Von Dr. Frank Weilandt • 16. Juli 2021

In diesem Blogpost zeigen wir, wie sowohl traditionelle als auch Deep-Learning-basierte Computer-Vision-Techniken für die Informationsextraktion aus technischen Zeichnungen in Explosionsdarstellung eingesetzt werden können.
Computer Vision

Visual Transformers: Wie eine NLP-Architektur auf Computer Vision angewendet wird

Von Konrad Mundinger • 5. Juli 2021

Visual Transformers wenden die grundlegenden Ideen des Transformers auf den Bereich Computer Vision an. In diesem Blogpost werden wir uns genauer ansehen, wie das funktioniert und was es bedeutet, ein Bild zu tokenisieren.
Computer Vision

CLIP: Wie sich der Schatz ungelabelter Bilddaten heben lässt

Von Fabian Gringel • 21. Juni 2021

Contrastive Language-Image Pretraining (kurz: CLIP) nutzt Bildunterschriften, um einen Zero-Shot-Bildklassifikator zu trainieren. In diesem Blogartikel gebe ich einen groben, nicht-technischen Überblick über die Funktionsweise von CLIP und zeige auch, wie Sie CLIP selbst ausprobieren können!
Computer Vision

Graph Neural Networks anhand von CNNs verstehen

Von Dr. Augusto Stoffel • 5. Februar 2021

Wir stellen die grundlegenden Ideen hinter Graph Neural Networks (GNNs) vor und erklären, wie sie den Ansatz hinter Convolutional Nets verallgemeinern. Dann geben wir einen Überblick über einige Anwendungen von GNNs.
Einführendes

Was ist Reinforcement Learning? (Teil 2)

Von Was ist Reinforcement Learning? (Teil 2) • 3. August 2020

Im vorherigen Beitrag haben wir die Grundlagen des Reinforcement Learning vorgestellt. Die besprochene Einstellung war insofern begrenzt, als dass wir es mit einem einzelnen Agenten zu tun hatten, der in einer stationären Umgebung agiert. Jetzt werden wir einen Schritt weiter gehen und Multi-Agent Reinforcement Learning (MARL) diskutieren.
Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 1)

Von Dr. Mattes Mollenhauer • 22. Juli 2020

In diesem Artikel werden wir uns BERT genauer ansehen - ein hochmodernes Modell für eine Reihe von verschiedenen Problemen in der Verarbeitung natürlicher Sprache. Wir werden sehen, wie BERT funktioniert, und das Problem der automatischen Beantwortung von Fragen untersuchen.
Natural Language Processing

Mit BERT automatisiert Fragen beantworten (Teil 2)

Von Dr. Mattes Mollenhauer • 2. Juli 2020

Hier werden wir einen genaueren Blick auf BERT werfen - ein State-of-the-Art-Modell für verschiedene Probleme in NLP. Wir werden BERT verwenden, um das Problem der automatisierten Fragebeantwortung mit biomedizinischen Forschungsarbeiten als konkreten Anwendungsfall anzugehen.
Einführendes

Was ist Reinforcement Learning? (Teil 1)

Von Was ist Reinforcement Learning? (Teil 1) • 27. April 2020

In diesem Beitrag geben wir eine kurze Einführung in das allgemeine Rahmenwerk des Reinforcement Learning (RL) und schauen uns ein paar grundlegende Lösungsansätze genauer an. Schließlich werden wir ein visuelles Beispiel für RL bei der Arbeit geben und weitere Ansätze diskutieren.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 2)

Von Was ist Bayes'sche Lineare Regression? (Teil 2) • 4. März 2020

Dies ist der zweite Teil eines Blog-Beitrags, der den Bayes'schen Ansatz zur linearen Regression erklärt und sich dabei auf die Mathematik hinter der Methode konzentriert.
Theorie & Algorithmen

Was ist Bayes'sche Lineare Regression? (Teil 1)

Von Was ist Bayes'sche Lineare Regression? (Teil 1) • 17. Februar 2020

Dieser Blog-Beitrag erklärt den Bayes'schen Ansatz zur linearen Regression, motiviert die Methode durch ein einfaches Beispiel und entwirrt dann die Mathematik dahinter.
Theorie & Algorithmen

Beat Tracking mit tiefen neuronalen Netzen

Von Beat Tracking mit tiefen neuronalen Netzen • 31. Januar 2020

In diesem Beitrag stelle ich einen Beat-Tracking-Algorithmus vor, der eine rechnerische Methode zur Extraktion der Beat-Positionen aus Audiosignalen ist. Das vorgestellte Beat-Tracking-System (Davies, 2019) basiert auf einem temporalen Faltungsnetzwerk (TCN). Ich habe den Code auf GitHub veröffentlicht.
Theorie & Algorithmen

Temporal Convolutional Networks für die Sequenz-Modellierung

Von Temporal Convolutional Networks für die Sequenz-Modellierung • 6. Januar 2020

Dieser Blog-Beitrag stellt einen einfachen, aber leistungsfähigen Faltungsansatz für Sequenzen vor, der Temporal Convolutional Network (TCN) genannt wird und ursprünglich in Bai 2018 vorgeschlagen wurde, und sagt Ihnen, wo Sie Implementierungen für Pytorch, Keras und Tensorflow finden.
Theorie & Algorithmen

Machine Learning-Ansätze für Zeitreihen

Von Machine Learning-Ansätze für Zeitreihen • 18. Dezember 2019

Dieser Blog-Beitrag bietet eine Einführung in Zeitreihen und serielle Sequenzen und zeigt, wie Recurrent Neural Networks (RNN) mit ihnen umgehen können.

Tools

Nützliche Werkzeuge zur Umsetzung von Machine-Learning-Projekten

Einführendes

Mehrschichtige Requirements mit pip-tools verwalten

Von Dr. Augusto Stoffel • 13. Januar 2023

Bei der Erstellung von Python-Anwendungen für die Produktion ist es eine gute Praxis, alle Abhängigkeitsversionen festzuhalten. Hier erklären wir, wie man ein mehrschichtiges Requirements-Setup verwaltet.
Computer Vision

Die besten (Python-)Tools für die Fernerkundung

Von Emilius Richter • 2. August 2022

Ich stelle die besten (Python-)Werkzeuge für die Fernerkundung und die Verarbeitung von Satellitendaten vor, basierend auf unseren praktischen Erfahrungen mit ihnen bei dida. Für einige zeige ich Anwendungsbeispiele inklusive Code.
Computer Vision

Wie man ein Jupyter Notebook-basiertes Labeling-Tool zur Bildklassifizierung implementiert

Von Felix Brunner • 21. März 2022

Ich werde Sie Schritt für Schritt durch die Erstellung eines einfachen Annotationstools führen, mit dem Sie einem Satz von Bildern auf einfache Weise Klassenlabels zuweisen können. Mithilfe von ipywidgets kann das Tool kann in einem Jupyter Notebook geschrieben und verwendet werden.
Tools

Die besten Bildannotations-Tools für Computer Vision

Von Die besten Bildannotations-Tools für Computer Vision • 8. April 2021

Hier werden wir uns einige der besten Bildannotations-Tools für Computer-Vision-Aufgaben genauer ansehen. Wir werden die Werkzeuge installieren und konfigurieren und ihre Fähigkeiten veranschaulichen, indem wir sie auf die Annotation echter Bilder für eine Objekterkennungsaufgabe anwenden.
Natural Language Processing

didas Tech-Stack

Von Fabian Gringel • 29. März 2021

Dieser Blogartikel gibt einen Überblick über unseren Tech-Stack bei dida. Ich beschreibe die Tools, die unseren Softwareentwicklungsprozess prägen und unsere bevorzugten Python-Bibliotheken für Machine- und Deep-Learning.
Tools

Software-Deployment mit Docker-Containern

Von Fabian Gringel • 26. Februar 2021

Hier werde ich eine kurze Anleitung zur Verwendung von Docker-Containern für die Softwarebereitstellung geben. Ich gehe davon aus, dass wir eine Python-Anwendung mit einer Web-API bereitstellen möchten.
Computer Vision

Mit Python MGRS-Koordinaten konvertieren

Von Tiago Sanona • 18. Januar 2021

In diesem Beitrag zeige ich, wie MGRS (und UTM) funktionieren und wie man die mgrs-Bibliothek von Python verwendet, um von MGRS-Koordinaten in Latitude/Longitude in Grad zu konvertieren und andersherum.
Natural Language Processing

Mit Python doppelte Dateien finden

Von Ewelina Fiebig • 28. September 2020

In diesem Blogbeitrag werde ich kurz demonstrieren, wie die Inhalte verschiedener Dateien mit dem Python-Modul filecmp verglichen werden können. Nachdem die Duplikate identifiziert wurden, werde ich zeigen, wie sie automatisch gelöscht werden können.
Natural Language Processing

Text aus PDF-Dateien extrahieren

Von Text aus PDF-Dateien extrahieren • 17. August 2020

Im Folgenden möchte ich die Open-Source-Python-PDF-Werkzeuge PyPDF2, pdfminer und PyMuPDF vorstellen, die zur Extraktion von Text aus PDF-Dateien verwendet werden können. Ich werde ihre Funktionen vergleichen und auf einige Nachteile hinweisen.
Tools

Die besten kostenlosen Labeling-Tools für NLP-Textannotationen

Von Fabian Gringel • 30. März 2020

In diesem Blogbeitrag stelle ich die drei besten freien Text-Annotationstools für die manuelle Beschriftung von Dokumenten in NLP-Projekten vor. Sie erfahren, wie Sie sie installieren, konfigurieren und verwenden können und finden heraus, welches von ihnen am besten für Ihre Zwecke geeignet ist. Die Tools, die ich vorstellen werde, sind brat, doccano und INCEpTION.
Tools

Test von OCR-Scannern: die beste Software für Texterkennung

Von Fabian Gringel • 20. Januar 2020

Dieser Blogbeitrag stellt die gängigsten OCR-Tools vor, zeigt, wie man sie einsetzt und bewertet ihre Stärken und Schwächen. Am Ende werden Sie in der Lage sein, ein OCR-Tool auszuwählen und anzuwenden, das zu den Anforderungen Ihres Projekts passt.
Tools

Wie Google Cloud Machine Learning-Projekte beschleunigt

Von Johan Dettmar • 25. Oktober 2019

Während die meisten PCs und Laptops heutzutage eine erhebliche Arbeitslast bewältigen können, reicht die Leistung für Machine Learning-Zwecke oft nicht aus. Im folgenden Artikel gehen wir auf einige der häufigsten Engpässe ein und zeigen, wie Cloud-Dienste helfen können, die Dinge zu beschleunigen.