
Deutsch-Chinesische Enzyklopädie, 德汉百科
Maschinelles Lernen (ML) ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht und welches gegen die Testdaten getestet wird. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt (siehe Überanpassung), sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung; englisch overfitting).[1][2] Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt: automatisierte Diagnoseverfahren, Erkennung von Kreditkartenbetrug, Aktienmarktanalysen, Klassifikation von Nukleotidsequenzen, Sprach- und Texterkennung sowie autonome Systeme.
Das Thema ist eng verwandt mit „Knowledge Discovery in Databases“ und „Data-Mining“, bei dem es jedoch vorwiegend um das Finden von neuen Mustern und Gesetzmäßigkeiten geht. Viele Algorithmen können für beide Zwecke verwendet werden. Methoden der „Knowledge Discovery in Databases“ können genutzt werden, um Lerndaten für „maschinelles Lernen“ zu produzieren oder vorzuverarbeiten. Im Gegenzug dazu finden Algorithmen aus dem maschinellen Lernen beim Data-Mining Anwendung. Zu unterscheiden ist der Begriff zudem von dem Begriff „Deep Learning“, welches nur eine mögliche Lernvariante mittels künstlicher neuronaler Netze darstellt.
Das Schließen von Daten auf (hypothetische) Modelle wird als Statistische Inferenz bezeichnet.
机器学习是人工智能的一个分支。人工智能的研究历史有着一条从以“推理”为重点,到以“知识”为重点,再到以“学习”为重点的自然、清晰的脉络。显然,机器学习是实现人工智能的一个途径之一,即以机器学习为手段,解决人工智能中的部分问题。机器学习在近30多年已发展为一门多领域科际集成,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律,并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法(要防止错误累积)。很多推论问题属于非程序化決策,所以部分的机器学习研究是开发容易处理的近似算法。
机器学习已广泛应用于数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、游戏和机器人等领域。
Copilot+ PCs sind die schnellsten und intelligentesten Windows-PCs, die je gebaut wurden. Mit einem neuen leistungsstarken Prozessor, der 40+ NPU TOPS (Billionen Operationen pro Sekunde) ermöglicht, einer ganztägigen Akkulaufzeit und Zugang zu den fortschrittlichsten KI-Modellen können Sie mit Copilot+ PCs Features nutzen, die auf keinem anderen PC möglich sind. Finden und merken Sie sich mit „Recall“ ganz einfach alles, was Sie auf Ihrem PC je gesehen haben, generieren und verfeinern Sie KI-Bilder nahezu in Echtzeit direkt auf dem Gerät mit „Cocreator“ und überbrücken Sie Sprachbarrieren mit „Live Captions“, die Audiodateien aus über 40 Sprachen ins Englische übersetzen.
Copilot+ PC 是有史以来速度最快、最智能的 Windows PC。Copilot+ PC 配备了强大的全新处理器,能够实现 40+ NPU TOPS(每秒万亿次运算)、全天电池续航时间以及访问最先进的 AI 模型,让您可以利用其他任何 PC 都无法实现的功能。利用 “Recall ”轻松查找并记住您在 PC 上看到的所有内容,利用 “Cocreator ”直接在设备上近乎实时地生成和完善人工智能图像,利用 “Live Captions ”消除语言障碍,将 40 多种语言的音频文件翻译成英语。

















































Midjourney是一个由位于美国加州旧金山的同名研究实验室开发之人工智能程序,可根据文本生成图像[2][3],于2022年7月12日进入公开测试阶段[4],用户可透过Discord的机器人指令进行操作[5]。该研究实验室由Leap Motion的创办人大卫·霍尔兹(David Holz)负责领导[6]。
Midjourney ist eine Anwendung von Künstlicher Intelligenz (KI), die in der Lage ist, KI-Kunst zu erschaffen. Das proprietäre Programm wurde am Forschungsinstitut Midjourney, Inc. in San Francisco, Kalifornien, USA, entwickelt. Midjourney, Inc. wurde von David Holz gegründet, der das Institut auch aktuell leitet.[1] Er war zuvor ein Mitgründer der Firma Leap Motion und arbeitete bei der NASA.






































Benchmark-Details
Gebiet | Benchmark | Datensatz | Qualitätsziel | Referenzimplementierungsmodell |
---|---|---|---|---|
Vision | Bildklassifizierung | IMAGEnet | 75.90 % Einstufung | ResNet-50 v1.5 |
Vision | Bildsegmentierung (medizinisch) | KiTS19 | 0.908 Mittlerer DICE-Score | 3D-U-Net |
Vision | Objekterkennung (geringes Gewicht) | Öffnen Sie Bilder | 34.0 % Karte | RetinaNet |
Vision | Objekterkennung (schweres Gewicht) | KOKOSNUSS | 0.377 Box-Min.-AP und 0.339 Masken-Min.-AP | Maske R-CNN |
Sprache | Spracherkennung | LibriSpeech | 0.058 Wortfehlerrate | RNN-T |
Sprache | NLP | Wikipedia 2020 | 0.72 Mask-LM-Genauigkeit | BERT-groß |
Sprache | LLM | C4 | 2.69 Log Ratlosigkeit | GPT3 |
Geschäfte | Software Empfehlungen | Criteo 4 TB Multi-Hot | 0.8032 AUC | DLRM-dcnv2 |