Wir wissen, was Statistiken sind, aber was ist mit maschinellem Lernen? Es ist der Zweig der künstlichen Intelligenz, der versucht, die Natur von Daten durch die automatisierte Überprüfung von Daten für verschiedene Aufgaben zu verstehen, wie z. B.: Wertvorhersagen, Klassifizierung, Clustering… Normalerweise ist dies so einfach wie das lineare statistische Modell: Vorhersage = m · Daten + c. Und entwickeln Sie einen Algorithmus, der automatisch die Koeffizienten m und c berechnet, wenn sich die Anzahl der Daten ändert.
Was ist also Deep Learning?
Es handelt sich um eine Erweiterung des maschinellen Lernens, die darauf abzielt, eine stärkere Automatisierung der Datenanalyse und Mustererkennung zu erreichen, indem die Funktionsweise des menschlichen Gehirns nachgeahmt wird (neuronale Netze). Es kann Lösungen für Modelle anbieten, die herkömmliches maschinelles Lernen nicht verstehen kann, auf Kosten einer erheblichen Zunahme der Komplexität und des Ressourcenverbrauchs, die unter anderem die Implementierung in Echtzeit erschweren.
Ist es also besser, maschinelles Lernen oder Deep Learning zu verwenden? Oder sollten wir bei den grundlegenden Statistiken bleiben? Die Antwort ist… Hängt. Alle drei Optionen bieten uns nützliche und leistungsstarke Werkzeuge, die hervorragende Ergebnisse liefern. Es liegt am Analysten, zu entscheiden, welches dieser Tools er verwenden möchte.
Dank dieser Tools können wir die Wahrscheinlichkeit berechnen, dass ein Teil defekt ist. Wir können es an jeder Workstation berechnen, an der Daten gesammelt werden, und so vermeiden, dass Ressourcen für ein Teil verschwendet werden, das defekt sein wird.
Durch dieses Know-how haben wir große Erfolge erzielt, wie z.B. die Reduzierung einer Ausschussquote von 12 %, die Ausschusskosten in Millionenhöhe pro Jahr verursacht, auf eine Ausschussquote von 1,4 %.
Teile diesen Beitrag
