Machine Learning mit Google Blogs

In der letzten Woche hatte ich Google’s TensorFlow™ als eine der möglichen Bibliotheken für das Machine Learning erwähnt.

Da sehr aktiv in diesem Bereich, bietet das Unternehmen auf weiteren Gebieten nützliche Inhalte, die sich an Anfänger und Fortgeschrittene in Sachen „Machine Learning“ wenden.

Blog

Um mich beim Thema „Machine Learning“ auf dem Laufenden zu halten, habe u.a die folgenden Informationsquellen von Google abonniert und werte sie regelmäßig aus:

  • Google Analytics Blog
  • Google Big Data and Machine Learning Blog
  • Google Research Blog

Ich benutze für solche Abonnements die Technik der  RSS Feeds (Really Simple Syndication), mit dessen Hilfe man sich Änderungen auf Websites anzeigen lassen kann. Mit einer geeigneten RSS Lese-Software (ich benutze Feedly) kann man sich so mit relativ überschaubaren Aufwand eine Art Nachrichtenticker aufbauen.

Auf diesem Wege bekomme ich mit, wenn Google oder eine andere fachbezogene Website einen neuen Artikel veröffentlicht. So kann ich mir schon am Frühstückstisch einen (fachlichen) Überblick verschaffen.

Google Analytics

Viele Webseiten nutzen Google Analytics, um den Website Traffic auszuwerten (so auch mein Blog), Solche Informationen helfen den Herausgebern dabei, die angebotenen Inhalte und die Website generell zu optimieren.

Der Google Analytics Blog veröffentlicht viele Inhalte in Richtung Website Marketing, oder SEO, hält aber auch grundlegende Informationen rund um die Datenauswertung vor.

Hinzu kommt, daß auch auf diesem Gebiet die Maschinenintelligenz Einzug hält, und daher auch Techniken besprochen werden, mittels Machine Learning intelligentere Angebote und Websites zu gestalten.

Google Big Data and Machine Learning Blog

Wie der Titel schon verrät, konzentriert sich der „Google Big Data and Machine Learning Blog“ auf die Techniken des maschinellen Lernens insgesamt. Dort findet man eher technische Inhalte zu einzelnen Verfahren, oder auch Informationen zu einzelnen Google Services.

Beispielsweise wird derzeit das „Object Detection API“ besprochen, das einen Teil von Google Tensor Flow bildet, und dort die Objekterkennung unterstützt. Ein anderer aktueller Artikel behandelt die Möglichkeiten, die zur Verfügung stehen um große Datenmengen zu aggregieren.

Wieder ein Artikel beschreibt die Programmierung eines Roboters mit Hilfe von maschinellen Lernverfahren. Sie sehen schon: eher technisch orientierte Inhalte, die in die Tiefe gehen.

Google Research Blog

In dem Google Research Blog geht es um die neueste Forschung generell. Derzeit stehen Beschreibungen rund um das maschinelle Lernen hoch im Kurs.

Ein ganz aktueller Artikel zeigt, wie man maschinelle Intelligenz einsetzen kann, um Fotos zu erstellen. Das Problem hierbei ist, daß es eine höchst subjektive Einschätzung ist, wann man ein Foto schön findet, und wann nicht. Das beschriebene Verfahren liefert lt Google hierzu die folgenden Ergänzungen:

„To explore how ML can learn subjective concepts, we introduce an experimental deep-learning system for artistic content creation. It mimics the workflow of a professional photographer, roaming landscape panoramas from Google Street View and searching for the best composition, then carrying out various postprocessing operations to create an aesthetically pleasing image.  „

In einem weiteren aktuellen Artikel geht es um den Einsatz von Tensor Flow im Rahmen eines Verfahrens zur maschinellen Übersetzung von Text.

Die Artikel hier sind eher generell gehalten, und eigenen sich gut, um sich einen Überblick über die Einsatzmöglichkeiten zu verschaffen (Produktmanagement). Für die Umsetzung selbst oder Details zu den Rechenverfahren fallen mir bessere Quellen ein.

Fazit

Neben der Bibliothek TensorFlow™ sind auch Google’s Internetinhalte sehr interessant für Leute, die sich tiefer in die Thematik des maschinellen Lernens einarbeiten wollen .

Weiterführende Informationen

Das Original dieses Artikels ist auf Der Produktmanager erschienen (©Andreas Rudolph). Folgeartikel zum Thema gibt es über die (→Mailingliste), oder indem Sie →mir auf Twitter folgen.

In der Online Version des Artikels finden Sie hier die versprochenen weiterführenden Links:

Comments are closed.