Das Chapter für strukturierte Daten konzentriert sich auf tabellarische Datensätze und Zeitreihen.
Unser Expertenteam erforscht Techniken des maschinellen Lernens für Datensätze, die Sie normalerweise in Excel-Tabellen, CSV-Dateien oder relationalen Datenbanken finden. Wir übersetzen die neuesten Erkenntnisse aus der Literatur in praktische Richtlinien und versorgen ML6 mit dem Wissen und den Werkzeugen zur Lösung verschiedener Probleme.
Regression und Forecasting
Die Zukunft vorauszusagen ist schwierig. Wir untersuchen Tools, die es uns ermöglichen, Prognosen für den Energieverbrauch der nächsten Woche oder die Absatzmengen des nächsten Jahres zu erstellen. Dazu bauen wir auf unseren externen Datenquellen auf und testen sowohl bewährte als auch die neusten Modelle.
Klassifizierung und Clustering
Das Hinzufügen von Bezeichnungen zu Datensätzen kann einen enormen Mehrwert bieten, um große Datenmengen sinnvoll zu nutzen und Abläufe zu automatisieren. Die Erstellung von Labels (Clustering) und die Zuweisung bekannter Labels zu neuen Datensätzen (Klassifizierung) wird in vielen verschiedenen Umgebungen eingesetzt. Zu den Anwendungen gehören das Verständnis der Typen von Maschinenausfällen, die Gründe für den Abbruch eines Verkaufsprozesses oder das Clustern von Benutzern auf einer E-Commerce-Plattform.
Erkennung von Anomalien
Maschinen gehen kaputt und Systeme/Prozesse werden missbraucht. Hin und wieder kommt es zu Ereignissen, die eigentlich nicht passieren sollten. Die Erkennung von Ausreißern ist eine echte Herausforderung, und wir lieben es, herauszufinden, wie wir "anormale" Ereignisse von "normalem" Verhalten unterscheiden können. Erklärbarkeit und Kausalität sind hier der Schlüssel: Warum sind bestimmte Dinge anomal? Diese Erkenntnisse sind entscheidend für die Verbesserung Ihrer Systeme.
Operative Forschung und Optimierung
Es ist möglich, dass ein Prozess gut funktioniert, aber Sie haben das Gefühl, dass er noch besser funktionieren könnte. In diesem Zusammenhang erforschen wir, wie man schwierige Probleme lösen kann: z. B. Produktionsplanung, Auftragsplanung, Fahrzeugrouting, Packaging, ...
Multivariate Zeitreihenähnlichkeit
Diese Demo ist das Ergebnis von Forschungsarbeiten auf dem Gebiet der multivariaten Zeitreihenähnlichkeit. Ziel war es, ein schnelles und skalierbares System zu entwickeln, das in der Lage ist, unüberwacht die 5 ähnlichsten Datenpunkte für eine gegebene Referenz zu finden.
Vollständige Demo anzeigen5 Tipps für die Arbeit mit unausgewogenen Datensätzen
Mehr lesenTabellarische Daten: Bedienung von Entscheidungswäldern mit Tensorflow Serving
Mehr lesenWerkzeuge zur Kennzeichnung von Zeitreihen
Mehr lesenGestaltung der Zusammenarbeit im Verkehrsbereich mit Teleroute, Teil der Alpega-Gruppe
Gestaltung der Zusammenarbeit im Verkehrsbereich mit Teleroute, Teil der Alpega-Gruppe
Steigerung der Vertriebseffizienz bei Randstad durch Nutzung mehrerer Datenquellen
Steigerung der Vertriebseffizienz bei Randstad durch Nutzung mehrerer Datenquellen
Beschleunigung der digitalen Immobilienmanagement- Plattform von Keypoint durch KI
Beschleunigung der digitalen Immobilienmanagement- Plattform von Keypoint durch KI
Die KI-gesteuerte NGO: Ein datengesteuerter Ansatz zur Schaffung einer besseren Zukunft für Kinder
Die KI-gesteuerte NGO: Ein datengesteuerter Ansatz zur Schaffung einer besseren Zukunft für Kinder
Durchsuchen von Zeitreihendatenbanken mit Hilfe multivariater Ähnlichkeitsmetriken
Durchsuchen von Zeitreihendatenbanken mit Hilfe multivariater Ähnlichkeitsmetriken
Knowledge Graphs: Einführung und Geschäftsanwendungen
Knowledge Graphs: Einführung und Geschäftsanwendungen
Kenne deine Unbekannten: eine kurze Einführung in die Unsicherheit beim maschinellen Lernen
Kenne deine Unbekannten: eine kurze Einführung in die Unsicherheit beim maschinellen Lernen
Wie sich ein trainierter TabTransformer in der realen Welt verhält
Wie sich ein trainierter TabTransformer in der realen Welt verhält