Maschinelles Lernen

Maschinelles Lernen September 8, 2026 Lab

Benchmark für lokale LLMs: Erste Antwortzeit, Generierungsrate und Speicher

Messen Sie den Inhalt der ersten Antwort getrennt von der Generierungsrate und der Kontrolle. residency, caching and memory conditions.

Hands-on · 2 Min. Lesezeit Maschinelles Lernen September 5, 2026

Einführung in Objekterkennung und semantische Segmentierung – Lesen der Frage „Was ist wo?“ aus einem Bild

Objekterkennung umrandet Objekte; semantische Segmentierung färbt jedes Pixel entsprechend seiner Bedeutung ein. Von den Unterschieden zwischen den beiden Verfahren über Instanz- und panoptische Segmentierung, die Entwicklungslinie von R-CNN zu YOLO, DETR und DINO bis hin zu ihren 3D-Punktwolken-Pendants – ein systematischer Überblick über die Grundlagen des Szenenverständnisses.

Fundamentals · 15 Min. Lesezeit Maschinelles Lernen September 4, 2026

Einführung in das maschinelle Lernen: Generative Modelle

Generative Modelle repräsentieren Datenverteilungen und erzeugen bedingte Ausgaben. Lernen Sie Wahrscheinlichkeit, VAE, GAN, Diffusion, Bewertung, Provenienz und Sicherheit.

Fundamentals · 4 Min. Lesezeit Maschinelles Lernen September 4, 2026

Einführung in das maschinelle Lernen: Grundlagen – Datengestaltung, Verlustfunktionen und Generalisierung

„Maschinelles Lernen ist nicht nur Modellauswahl: Es geht auch um die Definition der Aufgabe, die Aufteilung der Daten, den Verlust, die Bewertung und die Anpassung bei der Bereitstellung.“

Fundamentals · 5 Min. Lesezeit Maschinelles Lernen September 4, 2026

Ein ausführlicher Leitfaden zu SegFormer – Warum ein Transformer ohne Positionskodierung für die Segmentierung funktioniert

„Dieser Artikel analysiert SegFormer, das von NVIDIA, der Universität Hongkong und Kooperationspartnern auf der NeurIPS 2021 vorgestellt wurde, basierend auf der Originalveröffentlichung. Wir untersuchen den hierarchischen MiT-Encoder ohne Positionskodierung, den parametereffizienten All-MLP-Decoder, das effektive rezeptive Feld sowie den gemessenen mIoU-Wert, die Parameteranzahl und berechnen die Werte von B0 bis B5 mithilfe von Gleichungen.“

Fundamentals · 9 Min. Lesezeit Maschinelles Lernen September 4, 2026

YOLO11 ausführlich erklärt – Was haben C3k2 und C2PSA gegenüber YOLOv8 verändert?

„Untersuchen Sie Ultralytics YOLO11 anhand offizieller Dokumentation und Primärquellen: C3k2, C2PSA, ankerfreie Detektion, DFL/CIoU-Verluste und gemessene Benchmarks für n/s/m/l/x.“

Fundamentals · 11 Min. Lesezeit Maschinelles Lernen September 4, 2026

Einführung in maschinelles Lernen: Grundlagen neuronaler Netze

Neuronale Netze kombinieren affine Transformationen und nichtlineare Aktivierungen und reduzieren dann den Verlust durch Rückpropagation und gradientenbasierte Optimierung.

Fundamentals · 5 Min. Lesezeit Maschinelles Lernen September 4, 2026

Einführung in maschinelles Lernen: Pose-Schätzung

Die Pose-Schätzung ermittelt anhand von Bildern die wichtigsten Punkte und die 6D-Pose von Personen oder Objekten. Diese Einführung behandelt Koordinaten, Verlustfunktionen, Verdeckung, Auswertung und Sicherheit.

Fundamentals · 4 Min. Lesezeit Bestärkendes Lernen September 4, 2026

Einführung in das Multi-Agent Reinforcement Learning – Optimierung in einer Welt, in der auch die Gegenseite lernt

Wenn mehrere Agenten gleichzeitig lernen, ist ein Einzelagenten-MDP nicht mehr anwendbar. Dieser Artikel behandelt Nichtstationarität, kooperative/kompetitive/gemischte Umgebungen, CTDE, das Kreditvergabeproblem sowie MADDPG und QMIX anhand von Gleichungen und Diagrammen.

Fundamentals · 8 Min. Lesezeit Bestärkendes Lernen September 4, 2026

π0 erklärt – Wie Flow Matching die VLA-Aktionsgenerierung verändert hat

„Ein quellcodebasierter technischer Leitfaden zu Physical Intelligences π0: dem PaliGemma VLM und dem zugehörigen Action Expert, der kontinuierlichen Aktionsgenerierung mit bedingtem Flow-Matching, dem Cross-Embodiment-Training über sieben Robotertypen hinweg und dem Unterschied zu autoregressiven VLA-Modellen wie RT-2 und OpenVLA.“

Fundamentals · 10 Min. Lesezeit Bestärkendes Lernen September 4, 2026

Einführung in das Belohnungsdesign – Warum die Frage „Was soll maximiert werden?“ der schwierigste Teil des RL ist

Bei Implementierungen von Reinforcement Learning bestimmt die Gestaltung der Belohnungsfunktion häufiger das Ergebnis als der Algorithmus selbst. Dieser Artikel behandelt spärliche vs. dichte Belohnungsstrukturen, die Policy-Invarianz von potenzialbasierter Belohnungsgestaltung, reale Fälle von Reward Hacking, inverses Reinforcement Learning und Constrained Reinforcement Learning.

Fundamentals · 9 Min. Lesezeit Bestärkendes Lernen September 3, 2026

Einführung in das Reinforcement Learning: Imitationslernen und inverses Reinforcement Learning

Verhaltensklonierung, DAgger und inverses Reinforcement Learning nutzen Demonstrationen, wenn Belohnungen schwer zu formulieren sind. Diese Einführung behandelt Kovariatenverschiebung, Belohnungsinferenz, VLA-Verbindungen, Evaluierung, Sicherheit und Datenherkunft.

Fundamentals · 5 Min. Lesezeit Bestärkendes Lernen September 3, 2026

Grundlagen des bestärkenden Lernens – MDPs, Bellman-Gleichungen und Exploration für Roboter

Reinforcement Learning ist ein geschlossener Kreislauf, in dem ein Agent auf Basis von Beobachtungen Aktionen auswählt und verzögerte Belohnungen maximiert. Diese Einführung erklärt Markov-Entscheidungsprozesse (MDPs), Wertfunktionen, Strategien, Bellman-Gleichungen, Exploration versus Exploitation, Belohnungsdesign und den Weg von der Simulation zum realen Roboter.

Fundamentals · 6 Min. Lesezeit Bestärkendes Lernen September 3, 2026

Modellbasiertes Reinforcement Learning und Sim-to-Real

Weltmodelle, Vorhersagefehler, MPC, Domänenrandomisierung, Systemidentifikation und Sicherheitsüberwachung für reale Maschinen.

Fundamentals · 4 Min. Lesezeit Bestärkendes Lernen September 3, 2026

Policy Gradients, PPO und SAC – Stabile kontinuierliche Regelung für Roboter

Policy-Gradienten aktualisieren eine Policy direkt, sodass Lenkung, Schub und Gelenkmoment kontinuierlich bleiben. Dieser Artikel verknüpft Actor-Critic, PPO und SAC und behandelt anschließend Clipping, Entropieregularisierung, Evaluierung und die Sicherheitsgrenze für den Sim-to-Real-Transfer.

Fundamentals · 5 Min. Lesezeit Bestärkendes Lernen September 3, 2026

Q-Learning und DQN – Von einer Q-Tabelle zu Deep Reinforcement Learning

Q-Learning aktualisiert Aktionswerte anhand des Bellman-Optimalitätsziels. Diese Einführung beschreibt den Weg von einer tabellarischen Q-Tabelle zu einem Deep Q-Netzwerk und erklärt Experience Replay, Zielnetzwerke, Überschätzung und sichere Platzierung in einem Roboterstapel.

Fundamentals · 5 Min. Lesezeit