TensorFlow ist ein Framework für maschinelles Lernen, das von Google entwickelt wurde. Es bietet Tools für die Entwicklung und das Training von neuronalen Netzen und anderen künstlichen Intelligenz-Modellen. TensorFlow ist für seine Leistung und Flexibilität bekannt und wird von vielen Unternehmen und Forschern verwendet.
Testdaten sind Daten, die verwendet werden, um die Leistung eines maschinellen Lernmodells zu bewerten, nachdem es auf den Trainingsdaten trainiert wurde. Die Testdaten sollten unabhängig von den Trainingsdaten sein und eine repräsentative Stichprobe der Gesamtpopulation darstellen.
Trainingsdaten sind Daten, die zum Training eines
maschinellen Lernmodells verwendet werden. Das Modell lernt aus diesen Daten,
um Vorhersagen auf neuen Daten treffen zu können. Die Qualität der
Trainingsdaten hat einen erheblichen Einfluss auf die Leistung des Modells.
Transfer Learning ist ein Ansatz des maschinellen Lernens, bei dem ein Modell, das auf einer bestimmten Aufgabe trainiert wurde, auf eine ähnliche, aber nicht identische Aufgabe angewendet wird. Durch die Verwendung von Transfer Learning kann man die Trainingszeit reduzieren und die Leistung des Modells verbessern.
Bandwagon-Effekt: Wir wollen Dinge haben oder tun, die andere auch haben oder tun – um dazuzugehören. (Psychologisches Verhaltensmuster)
Ein Trojaner ist eine vermeintlich nützliche Datei, die genutzt wird, um andere Malware auf einen Rechner einzuschleusen.
Variable Rewards: Mal spannend, mal langweilig → wie Glücksspiele → das nächste „Highlight“ wird erwartet.
Unter supervised learning (dt. überwachtes Lernen) wird eine Unterart
des maschinellen Lernens verstanden. Bei dieser Lernform liegt dem Algorithmus
ein Datensatz vor, bei dem die Zielvariable bekannt ist. Man spricht auch
davon, dass die Daten gelabelt sind. Der
Algorithmus versucht nun, anhand einer großen Menge von Trainingsdaten solche
Muster zu erkennen, die zur erfolgreichen Vorhersage der Zielvariable führen
Underfitting ist ein Problem, das bei der Modellierung auftritt, wenn das Modell nicht in der Lage ist, die zugrunde liegenden Muster in den Daten zu erfassen. Dies kann dazu führen, dass das Modell schlechte Vorhersagen macht und seine Leistung bei der Generalisierung auf neue Daten beeinträchtigt wird. Underfitting tritt häufig auf, wenn das Modell zu einfach oder unzureichend trainiert ist.
Unstrukturierte Daten sind Daten, die nicht in einer bestimmten Form oder einem bestimmten Format vorliegen und nicht in einer Datenbank oder einem Tabellenkalkulationsprogramm organisiert werden können. Beispiele für unstrukturierte Daten sind Texte, Bilder oder Audiodateien. Unstrukturierte Daten sind schwieriger zu verarbeiten als strukturierte Daten und erfordern oft spezielle Methoden der Verarbeitung
