Geißler, S.: Maschinelles Lernen und NLP : Reif für die industrielle Anwendung! (2019)
0.02
0.020749863 = product of:
0.09959935 = sum of:
0.017521333 = weight(_text_:und in 3547) [ClassicSimilarity], result of:
0.017521333 = score(doc=3547,freq=12.0), product of:
0.04868482 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.021966046 = queryNorm
0.35989314 = fieldWeight in 3547, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.046875 = fieldNorm(doc=3547)
0.037749823 = weight(_text_:fragen in 3547) [ClassicSimilarity], result of:
0.037749823 = score(doc=3547,freq=2.0), product of:
0.11184209 = queryWeight, product of:
5.0915895 = idf(docFreq=738, maxDocs=44218)
0.021966046 = queryNorm
0.33752787 = fieldWeight in 3547, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
5.0915895 = idf(docFreq=738, maxDocs=44218)
0.046875 = fieldNorm(doc=3547)
0.017797519 = weight(_text_:der in 3547) [ClassicSimilarity], result of:
0.017797519 = score(doc=3547,freq=12.0), product of:
0.049067024 = queryWeight, product of:
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.021966046 = queryNorm
0.36271852 = fieldWeight in 3547, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
2.2337668 = idf(docFreq=12875, maxDocs=44218)
0.046875 = fieldNorm(doc=3547)
0.009009332 = product of:
0.018018665 = sum of:
0.018018665 = weight(_text_:29 in 3547) [ClassicSimilarity], result of:
0.018018665 = score(doc=3547,freq=2.0), product of:
0.07726968 = queryWeight, product of:
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.021966046 = queryNorm
0.23319192 = fieldWeight in 3547, product of:
1.4142135 = tf(freq=2.0), with freq of:
2.0 = termFreq=2.0
3.5176873 = idf(docFreq=3565, maxDocs=44218)
0.046875 = fieldNorm(doc=3547)
0.5 = coord(1/2)
0.017521333 = weight(_text_:und in 3547) [ClassicSimilarity], result of:
0.017521333 = score(doc=3547,freq=12.0), product of:
0.04868482 = queryWeight, product of:
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.021966046 = queryNorm
0.35989314 = fieldWeight in 3547, product of:
3.4641016 = tf(freq=12.0), with freq of:
12.0 = termFreq=12.0
2.216367 = idf(docFreq=13101, maxDocs=44218)
0.046875 = fieldNorm(doc=3547)
0.20833333 = coord(5/24)
- Abstract
- Anwendungen von maschinellen Lernverfahren (ML) haben in jüngster Zeit aufsehenerregende Durchbrüche bei einer ganzen Reihe von Aufgaben in der maschinellen Sprachverarbeitung (NLP) erzielt. Der Fokus vieler Arbeiten liegt hierbei in der Entwicklung immer besserer Modelle, während der Anteil der Aufgaben in praktischen Projekten, der sich nicht mit Modellbildung, sondern mit Themen wie Datenbereitstellung sowie Evaluierung, Wartung und Deployment von Modellen beschäftigt, oftmals noch nicht ausreichend Beachtung erfährt. Im Ergebnis fehlen gerade Unternehmen, die nicht die Möglichkeit haben, eigene Plattformen für den Einsatz von ML und NLP zu entwerfen, oft geeignete Werkzeuge und Best Practices. Es ist zeichnet sich ab, dass in den kommenden Monaten eine gerade diesen praktischen Fragen zugewandte Ingenieurssicht auf ML und ihren Einsatz im Unternehmen an Bedeutung gewinnen wird.
- Date
- 2. 9.2019 19:29:24
- Source
- Information - Wissenschaft und Praxis. 70(2019) H.2/3, S.134-140
