Machine Learning mit TensorFlow
Neulich habe ich über ein Rechnercluster geschrieben, das man einsetzen kann, um darauf Big Data Szenarien auszuprobieren, und Machine Learning Algorithmen zu testen.
TensorFlow™ von Google ist eine der möglichen Bibliotheken für das Machine Learning, die man auf diesem Cluster einsetzen könnte. Daneben ist die TensorFlow Dokumentation eingängig geschrieben, und kann damit auch Einsteigern helfen, die verstehen wollen, wie solche Szenarien aussehen.
Machine Learning in einem eigenen Rechnercluster
Viele Big Data Szenarien verwenden den sogenannten SMACK-Softwarestack (Spark, Mesos, Akka, Cassandra, und Kafka) als Laufzeitumgebung. Dabei handelt es sich um frei verfügbare Software, die normalerweise auf Rechnerclustern in Datenzentren installiert wird, um dort Big Data Anwendungen durchzuführen.
Der kleine Raspberry Pi bietet eine interessante Möglichkeit, um sich ein eigenes Rechnercluster im Wohnzimmer aufbauen zu können.
Mathematische Optimierung mittels OptaPlanner
Im Rahmen des Maschine Learning werden Verfahren, wie neuronale Netze oder Decision Tree Algorithmen eingesetzt, und es werden damit in vielen Fällen gute Erfahrungen gesammelt.
Für manche Problemstellungen bieten sich aber nach wie vor Optimierungsverfahren aus dem Bereich des Operation Research an. OptaPlanner ist eine offene und dabei mächtige Bibliothek.
Machine Learning mit Apache Spark – Einführung
Ich beschäftige mich zur Zeit mit dem Thema „Machine Learning mit Apache Spark“ und habe am Wochenende in der Computerzeitschrift „iX“ einen sehr informativen Artikel hierzu gelesen, und das Beispielprogramm ausprobiert, das darin vorgestellt wurde.
Mit Digital Analytics und Machine Learning den nächsten Produktivitätsschub realisieren
„Big Data Analytics“ und das „Machine Learning“ sind wichtige Schlüsseltechnologien auf dem Weg zur Industrie 4.0. Richtig eingesetzt, unterstützen sie Unternehmen dabei, den nächsten großen Produktivitätsschub zu realisieren.
Derzeit wird viel darüber geschrieben, und es ist deshalb nicht leicht, den Einstieg in das Thema zu schaffen. Daher fasse ich hier Leseempfehlungen zusammen.
Kursempfehlung „Machine Learning“
Die heutige Kursempfehlung befaßt sich mit dem Themenbereich „Machine Learning“, das derzeit in der Fachwelt heiß diskutiert wird, um Anwendungen intelligent zu machen.
Innovationsstrategie: Emerging Technologies Hype Cycle 2017
In ihrem diesjährigen „Emerging Technologies Hype-Cycle“ setzen die Analysten von Gartner das Thema „Machine Learning“ an die Spitze der Technologien, die sich durch überzogene Erwartungen auszeichnen.
Dinge wie „Augmented Reality“ und „Virtual Reality“ haben das Tal bereits durchschritten, das danach üblicherweise folgt, und stehen kurz vor der Massenanwendung.
Innovationsstrategie: Der Emerging Technologies Hype Cycle
Eine der ersten Fragen auf dem Weg hin zu einer „Innovationsstrategie“ ist die Frage, welche neue Technologien gerade entstehen, und als wie marktreif sich diese Technologien darstellen.
Den (jährlichen) „Emerging Technologies Hype-Cycle“, der von der Firma Gartner herausgegeben wird, gibt es nun schon eine ganze Zeit, und die dort aufgezeigten Einschätzungen erweisen sich bei näherem Hinsehen als realitätsnah.
Es lohnt sich also, einen Blick auf dieses Werkzeug zu werfen.
Ich arbeite seit vielen Jahren in der Softwareentwicklung für Unternehmensanwendungen bei der SAP SE. Dieser Blog ist privat, und die Meinungen sind meine eigenen. Sie sind hier richtig, wenn sie sich für Praxiserfahrungen im Produktmanagement für Investitionsgüter interessieren. 