Maschinelles Lernen — Lernleitfaden
Maschinelles Lernen — Ein strukturierter Lernweg durch Robotik, Regelung, kontrollierte Landwirtschaft, Energie- und Leistungselektronik.
Ein strukturierter Lernweg durch Robotik, Regelung, kontrollierte Landwirtschaft, Energie- und Leistungselektronik.
- Fundamentals · 5 Min. Lesezeit
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
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 · 15 Min. Lesezeit
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 · 11 Min. Lesezeit
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 · 9 Min. Lesezeit
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 · 4 Min. Lesezeit
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
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.
- Hands-on · 2 Min. Lesezeit
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.