Maschinelles Lernen (ML) für Apps - Praxis

Sprach-, Gesichts- und Bilderkennung in mobilen Anwendungen einsetzen und nutzen

Einführung

• Maschinelles Lernen in mobilen Anwendungen
• Was Sie über Mobiles ML wissen sollten

Einführung in maschinelles Lernen

• Was ist maschinelles Lernen?
• Erforderliche Konzepte
• Ein Modell trainieren
• Maschinelles Lernen (ML) versus tiefes Lernen (DL)
• Was kann ich mit maschinellem Lernen tun?
• Serverseitige versus clientseitige ML
• ML-Frameworks

Server-Modell: IBM Watson

• Überblick über Watson
• Verstehen der natürlichen Sprache
• Verstehen der visuellen Erkennung
• Erstellen eines benutzerdefinierten Modells
• Trainieren und Bereitstellen eines benutzerdefinierten Modells
• Ausführen der Client-Anwendung

Server-Modell: Azure Machine Learning

• Azure Machine Learning Überblick
• Verstehen der natürlichen Sprache
• Verstehen der visuellen Erkennung
• Erstellen eines benutzerdefinierten Modells
• Trainieren und Bereitstellen eines benutzerdefinierten Modells
• Ausführen der Client-Anwendung

Client-Modell: Core-ML

• Core ML Überblick
• Verstehen der natürlichen Sprache
• Verstehen der visuellen Erkennung
• Erstellen eines benutzerdefinierten Modells
• Trainieren und Bereitstellen eines benutzerdefinierten Modells
• Ausführen der Client-Anwendung

Die Möglichkeiten verstehen

• Unterschiedliche Philosophien der Anbieter
• Warum Client-seitiges Modell versus Server-seitig
• Wann die eine oder die andere dieser Lösungen anzuwenden ist

Maschinelles Lernen wird heute überall eingesetzt, vom selbstfahrenden Auto über persönliche Assistenten wie Cortana, Alexa und Siri bis hin zu Sicherheitstechnologien wie Gesichtserkennung. Entwickler von Mobiltelefonen werden zunehmend aufgefordert, Technologien des maschinellen Lernens in ihre Anwendungen zu implementieren. Für viele von ihnen ist dies Neuland. Sie befassen sich mit der Beziehung zwischen maschinellem Lernen und dem Bereich der KI, die auf Anwendungsentwickler ausgerichtet sind. Sie werden verschiedene maschinelle Lernprodukte wie IBM Watson und kognitive Dienste von Microsoft Azure kennenlernen und sehen, wie man sie zur Erstellung von natürlichen Spracherkennungs-, visuellen Erkennungs- und Statistikmodellen für den Einsatz in Anwendungen verwenden kann.