Über uns | Media | Kontakt | Impressum
Data Science: Buzzword mit gehaltvollem Kern

Data Science: Buzzword mit gehaltvollem Kern

Mathias Golombek

Data Science mag heute noch ein Thema mit überschaubarer Praxisrelevanz für spezifische Anwendungen sein, es ist aber wohl eines mit großer Zukunft für eine...

Data Science in der Praxis

Data Science in der Praxis

Mark Keinhörster & Tim Sabsch

Dieser Artikel zeigt, wie Data Scientisten und Engineers Werkzeuge wie DVC (Data Version Control) nutzen können, um sämtliche Elemente eines Projekts zu...

Künstliche Intelligenz interpretierbar machen

Künstliche Intelligenz interpretierbar machen

Dr. Alexander Engelhardt

KI erledigt einfache, sich wiederholende Aufgaben und automatisiert Entscheidungen. Aber viele Black-Box-Modelle sind nicht leicht zu verstehen. Wir brauchen...

KI zum Management der Informationssicherheit?

KI zum Management der Informationssicherheit?

Severin Rast

Jedes Unternehmen braucht ein ISMS. Dieser Artikel skizziert ein Modell für ISMS, bei dem menschliche und künstliche Intelligenz in interdisziplinären Teams...

Sicherheitsschwächen von maschinellen Lernverfahren

Sicherheitsschwächen von maschinellen Lernverfahren

Daniel Etzold

Fortschritte im Bereich Machine Learning beflügeln den Traum einer künstlichen Superintelligenz. Ein Überblick, welche Angriffsmöglichkeiten existieren und wie...

Machine Learning on Source Code

Machine Learning on Source Code

Thomas Endres & Samuel Hopstock

Mit Machine Learning-Methoden Source Code analysieren: Dieser Artikel beschreibt verschiedene Ansätze.

Aufbau einer Data Science Pipeline

Aufbau einer Data Science Pipeline

Sponsored Post

Der Artikel stellt unter Berücksichtigung der Anforderungen aus Betrieb, Anwendungsentwicklung und dem Data Science einen erprobten Ansatz für den Aufbau einer...

Predictive Analytics: Potentiale und Grenzen

Predictive Analytics: Potentiale und Grenzen

Enno Schulte

Vorhersagemodelle mit Big Data, Deep Learning und Data Science: Unternehmen sollten die Potentiale für ihre Anwendungsfälle nicht unterschätzen.

Machine Learning – eine Challenge für Architekten

Machine Learning – eine Challenge für Architekten

Harald Erb

Vor dem Hintergrund des Data-Science-Prozesses, der den Weg eines ML-Modells von der experimentellen Phase bis zur Operationalisierung beschreibt, vergleicht...

Machine Learning 101: Datenanalyse abseits des Hypes

Machine Learning 101: Datenanalyse abseits des Hypes

Fabian Witt & Jonathan Staufer

Das Einmaleins des Machine Learning: Die automatisierte Auswertung von Daten erfordert grundlegende Vorbereitungsschritte. Schritte die ein jeder Akteur auf dem...