Lexikon

Ein Dashboard ist eine interaktive Visualisierung bestimmter Daten (beispielweise Geschäftszahlen) auf einer eigenen Benutzeroberfläche. Der/die Nutzer/-in kann damit den Zeitraum der dargestellten Daten verändern oder in ein Diagramm zoomen, um etwas detaillierter zu betrachten. Mithilfe von Dashboards können Daten in Informationen umgewandelt werden, aus denen Wissen generiert werden kann.

Quellen:

https://dinext-group.com/wiki/dashboard/

Data-Mining bezeichnet das computergestützte Auswerten und Analysieren großer Datenmengen mit dem Ziel, Muster und Zusammenhänge zu erkennen. Dabei werden automatisierte Verfahren zur Mustererkennung, Methoden aus dem Bereich der Künstlichen Intelligenz, der Statistik und der Datenanalyse eingesetzt. (mehr …)

Deep Learning (DL) ist ein Teilbereich der künstlichen Intelligenz und ein Verfahren des Machine Learning (ML), das auf künstlichen neuronalen Netzen basiert. Die Deep Learning-Algorithmen verwenden mehrere Schichten (daher der Name), um Informationen zu verarbeiten und zu analysieren. Dies kann für Aufgaben wie Bild- und Spracherkennung und die Verarbeitung natürlicher Sprache verwendet werden. Also für Vorgänge, die Menschen intuitiv erledigen und die nicht anhand von Formeln errechnet werden können. Die dafür nötige Komplexität wird durch ein digitales Schichten-Modell erzielt. Komplexe Lerneffekte – und davon ausgehend Entscheidungen – basieren beim DL auf der Verknüpfung vieler kleiner, einfacher Entscheidungen und Lerneffekte.
Deep Learning hat in sehr vielen Bereichen die Ergebnisse des Machine Learnings stark verbessert, es ist dafür allerdings auch deutlich ressourcenintensiver als ML-Methoden, die nicht ‚deep‘ sind, also neuronale Netze mit nur einem Layer, oder andere Algorithmen, die ganz ohne neuronale Netze auskommen. (mehr …)

Die defensive Destillation ist eine Trainingstechnik, die im Bereich des Machine Learning, insbesondere im Kontext des Deep Learning, eingesetzt wird. Diese Technik schützt neuronale Netze vor gegnerischen Angriffen und soll den Machine-Learning-Algorithmus flexibler machen, damit das Modell weniger anfällig für Adversarial Attacks ist. (mehr …)