Blog

Maschinelles Lernen ohne empirische Daten?

Wenn ein System komplexe Entscheidungen treffen muss, wird immer häufiger Maschinelles Lernen als eine mögliche Lösung vorgeschlagen. Meistens ist man dann auf empirische Daten angewiesen, um das System zu trainieren. Was passiert aber, wenn keine Daten vorhanden sind? Wie kann man die Vorteile von maschinellem Lernen ohne empirische Daten nutzen?

Genau mit dieser Frage beschäftigt sich unser Mitarbeiter Ferhat Ayaz in der aktuellen Ausgabe der Zeitschrift OBJEKTspektrum (03/2019) in einem spannenden Artikel zum Thema „Lernen bei der Suche nach Lösungen“. Der Beitrag bietet einen Überblick über Constraint-Satisfaction-Probleme und stellt neue Perspektiven vor, die Maschinelles Lernen beim Suchen einer Lösung durch künstliche Intelligenz unterstützen kann. Die Zeitschrift ist online oder im gut sortierten Zeitschriftenhandel erhältlich.



Über den Autor

Avatar

ist ein langjähriger Softwareentwickler und hat künstliche Intelligenz in verschiedenen Formen, von Spieleprogrammierung bis hin zu akademischen Forschungen, leidenschaftlich eingesetzt. Unter anderem hat er Lösungen zum Erforschen der Proteindynamik mit Unterstützung von Verstärkungslernen entwickelt. Er ist immer auf der Suche nach innovativen Lösungen im Smart Data Work Stream bei der Holisticon AG.

Antwort hinterlassen