Maschinelles Lernen

Vom ABC bis zum Doktortitel - die Wolfram Language ist Ihr Werkzeug für maschinelles Lernen.

Klassifikatoren

Eingebaute Klassifikatoren

Sie müssen kein Experte sein, um maschinelles Lernen in Ihrem Projekt zu nutzen: Die Wolfram Language verfügt über vortrainierte, gebrauchsfertige Klassifikator funktionen, mit denen Sie im Handumdrehen nützliche und interessante Aufgaben durchführen können.

In[•]:=
Out[•]=

Die Wolfram Language enthält eine große Auswahl an vortrainierten Klassifikatoren, die auf Text, Bilder und mehr angewendet werden können.

Vollständige Liste der vorab trainierten Klassifikatoren anzeigen

Eigene Klassifikatoren erstellen

Mit der Funktion Classify können Sie eine Menge Zeit sparen. Classify kann eine Klassifizierungsaufgabe aus einer kleinen Menge von Beispielen erlernen und dann automatisch den besten Weg zur Klassifizierung Ihrer Daten finden.

Nehmen wir an, Sie müssten 1.000 Urlaubsfotos mit der Angabe versehen, ob Personen darauf zu sehen sind oder nicht – eine zeitraubende Aufgabe, wenn Sie sie von Hand erledigen. Wenn Sie nur 20 Fotos beschriften würden, könnte Classify lernen, automatisch zwischen Fotos mit und ohne Personen zu unterscheiden, und die anderen Fotos in weniger als einer Sekunde erledigen:

In[•]:=
Out[•]=

Testen wir unsere neu erstellte ClassifierFunction mit neuen Bildern, die die Funktion noch nicht kennt:

In[•]:=
Out[•]=

Neuronale Netze

Vorlagen für KNNs

Für viele gängige Aufgaben finden Sie im Wolfram Neural Net Repository genau das neuronale Netz, das Sie implementieren möchten, kostenlos und zur sofortigen Verwendung in Ihrem Projekt bereit. Als anschauliches Beispiel wird hier das CycleGAN-Netzwerk aufgerufen, um ein Bild in einen Van-Gogh-ähnlichen Stil umzugestalten:

In[•]:=
Out[•]=
In[•]:=
Out[•]=
In[•]:=
Out[•]=
In[•]:=
Out[•]=

Klicken Sie hier für eine vollständige Liste der über 100 KNNs, die im Wolfram Neural Net Repository verfügbar sind

Benutzerdefinierte KNNs

Mit High-Level-Konstrukten wie NetTrain und NetChain verfügt die Wolfram Language über großartige Werkzeuge, um selbst Prototypen oder komplexe KNNs schnell zu erstellen.

Konstruieren Sie ein Netz, das explizit einen Verlust berechnet:

In[•]:=
Out[•]=

Initialisieren Sie das Netz und werten Sie es anhand einer Eingabe aus:

In[•]:=

In[•]:=
Out[•]=

In diesem Beispiel wird NetTrain zum Trainieren eines neuronalen Netzes verwendet. Ein Fortschrittsfenster ermöglicht es Ihnen, das Trainingsergebnis in Echtzeit zu sehen.

Manuelles Konstruieren eines Netzes und Initialisieren mit zufälligen Parametern:

In[•]:=
Out[•]=

Bewerten Sie sie anhand einer Reihe von Werten:

In[•]:=
Out[•]=
In[•]:=

Trainieren Sie das Netz einige Runden lang und überprüfen Sie in Echtzeit, wie gut es dem Modell entspricht:

In[•]:=

Das Endergebnis kommt nun der symbolischen Berechnung sehr nahe:

In[•]:=
Out[•]=
In[•]:=
Out[•]=

Loslegen

Lernressourcen

Lernwege

Jetzt ausprobieren, später lernen

Möchten Sie es einfach mal ausprobieren? Bekommen Sie ein Gefühl dafür, wie die Wolfram Language funktioniert, indem Sie echte Code-Beispiele mit Schwerpunkt auf maschinellem Lernen ausprobieren.

Jetzt ausprobieren! Zugang mit einem kostenlosen Wolfram Cloud-Konto
Holen Sie sich ein kostenloses Wolfram Language-Zertifikat

Wir haben es Ihnen leicht gemacht, die Wolfram Language auf Ihre Weise zu lernen. Absolvieren Sie unseren kostenlosen interaktiven Kurs und schließen Sie mit einem Zertifikat ab.

Starten Sie den interaktiven Online-Kurs sofort! Zeitaufwand: Etwa 7 Stunden
Jetzt ausprobieren! Zugang mit einem kostenlosen Wolfram Cloud-Konto
Starten Sie den interaktiven Online-Kurs sofort! Zeitaufwand: Etwa 7 Stunden

Gehen Sie weiter mit maschinellem Lernen

Möchten Sie mehr über maschinelles Lernen erfahren?

Wenn Sie mehr von dem sehen wollen, was Wolfram für maschinelles Lernen anbietet, besuchen Sie die Wolfram-Seite zu maschinellem Lernen. Dort finden Sie:

  • Eine vollständige Übersicht
  • Dokumentation und spezialisierte Funktionen
  • Vortrainierte KNNs
  • Beispiele zum Downloaden
  • Online-Kurse und zusätzliche Ressourcen
Mehr erfahren

Empfohlenes Produkt