Unsere Plattform FIT.ML bietet Beschreibungen angewandter Beispiele und Referenzimplementationen unserer ML-Innovationen: ein Service, um ML verfügbar zu machen.

Hier finden Sie verschiedene Referenzimplementationen sortiert nach unseren Innovationsgebieten. Alternativ stehen hier alle Notebooks auf GitHub zum Download für Sie bereit. Diese Sammlung wird im Laufe unseres Projekts stetig erweitert.

Innovationsgebiet "Lernen auf Datenströmen"


Transferlernen für Handprothesen im Alltagseinsatz

Intelligente Prothesensteuerung basiert auf der Messung von Muskelsignalen an der Hautoberfläche. Sensorverschiebungen, die besonders beim An- und Absetzen von Prothesen auftreten können, führen jedoch zu Veränderungen der gemessenen Signalmuster. Dies stört eine zuverlässige Steuerung. Wie kann Maschinelles Lernen da helfen?
Mehr Informationen erhalten Sie hier!
Hier geht es direkt zur Beispielimplementation dieser Lösung.



Überwachtes Transferlernen zur Eventdetektion in Videodaten am Beispiel von Fußballübertragungen

Die manuelle Markierung von Events in Videos ist extrem zeitaufwändig. Eine vollständige Markierung eines Fußballspiels erfordert zum Beispiel oft 20 Stunden oder mehr. Das Projekt "Kontinuierliche Event Detektion aus Sportübertragungen", das in Kooperation mit der Firma matchmetrics GmbH durchgeführt wurde, widmete sich dem automatischen Erkennen von Sportevents in Videodaten mithilfe Neuronaler Netze.
Mehr Informationen erhalten Sie hier!


Intelligente Datenanalyse zur Vorhersage des Verkehrsaufkommens

Staus und erhöhtes Verkehrsaufkommen werden ein immer größeres Problem in Städten. Moderne Kreuzungsanlagen sind mit Detektoren ausgestattet, und liefern so Daten zum Verkehrsfluss. Diese werden schon heute erhoben, aber nicht intelligent genutzt. Das Projekt "Intelligente Datenanalyse zur Vorhersage des Verkehrsaufkommens", das in Kooperation mit dem Amt für Verkehr der Stadt Bielefeld durchgeführt wurde, widmete sich der Frage, wie mit den vorhandenen Daten Systeme entwickelt werden können, um Stau zu reduzieren.
Mehr Informationen erhalten Sie hier!





Innovationsgebiet "Interpretierbarkeit von Modellen"


Kontrafaktische Erklärung zur Interpretation automatisierter Kreditvergabe

Maschinelle Lernverfahren ermöglichen die Automatisierung von Entscheidungsprozessen auf Grundlage von Daten. Ein Beispiel einer solchen automatisierten Anwendung ist die Beurteilung von Kreditanträgen. Den Grund für eine bestimmte Entscheidung des Systems zu verstehen ist jedoch oft nicht einfach, da viele ML-Modelle nicht direkt interpretierbar sind. Die Berechnung kontrafaktischer Erklärungen - sogenannten "counterfactuals" - kann solche Einblicke ermöglichen.
Hier geht es direkt zur Beispielimplementation dieser Lösung.




Visualisierung von trainierten Klassifikatoren auf hochdimensionalen Daten

Automatische Klassifikation erfährt zunehmend Anwendung in vielen Bereichen der Praxis. Beispiele sind hier das Erkennen von Objekten auf Bildern (wie z.B. Straßenschilder) oder die Einschätzung, ob einer Maschine in naher Zukunft ein Ausfall bevorsteht. Für die meisten gängigen Klassifikationsmodelle, wie z.B. tiefe neuronale Netze, ist es jedoch schwierig einen Einblick in das Gelernte zu erhalten. Die neue Methode DeepView ermöglicht nun diesen Einblick: Die Daten werden zusammen mit den Entscheidungsgrenzen des Klassifikators visualisiert.
Hier geht es direkt zur Beispielimplementation der DeepView Toolbox. Die entsprechende wissenschaftliche Publikation können Sie hier abrufen.


Wahrscheinlichkeitsschätzung für Neuronale Netze mit Platt Scaling

Viele Machine Learning Modelle ermöglichen es zwar, eine Entscheidung zu treffen, bieten aber keine Möglichkeit zur Einzuschätzung der Sicherheit dieser Entscheidung. Besonders wichtig ist dies in Bereichen mit geringer Fehlertoleranz, wie zum Beispiel in der Luftfahrt. Eine Möglichkeit, eine solche Entscheidungssicherheit zu schätzen, bietet die Platt Scaling-Methode und ermöglicht so weitergehendes Verständnis.
Hier geht es direkt zur Beispielimplementation der Platt Scaling-Methode bei einem long short-term memory (LSTM) Netz.