Interactive Machine Learning (iML)

Publikation: Beitrag in einer FachzeitschriftArtikelForschungBegutachtung

Abstract

Während Machine Learning (ML) in vielen Domänen sehr gut funktioniert, wie die Leistung selbstfahrender Autos zeigt, bergen vollautomatisierte ML-Methoden in komplexen Domänen die Gefahr der Modellierung von Artefakten.
Ein Beispiel für eine komplexe Domäne ist die Biomedizin, wo wir mit hochdimensionalen, probabilistischen und unvollständigen Datenmengen konfrontiert sind. In solchen Problemstellungen kann es vorteilhaft sein,
nicht auf menschliches Domänenwissen zu verzichten, sondern vielmehr menschliche Intelligenz und ML zu kombinieren.
Sprachedeutsch
Seiten64-68
FachzeitschriftInformatik-Spektrum
Jahrgang39
Ausgabennummer1
DOIs
StatusVeröffentlicht - 2016

Schlagwörter

  • Maschinelles Lernen
  • Wissensentdeckung
  • Medizinische Informatik

Fields of Expertise

  • Information, Communication & Computing

Treatment code (Nähere Zuordnung)

  • Basic - Fundamental (Grundlagenforschung)

Dies zitieren

Interactive Machine Learning (iML). / Holzinger, Andreas.

in: Informatik-Spektrum, Jahrgang 39, Nr. 1, 2016, S. 64-68.

Publikation: Beitrag in einer FachzeitschriftArtikelForschungBegutachtung

Holzinger, Andreas. / Interactive Machine Learning (iML). in: Informatik-Spektrum. 2016 ; Jahrgang 39, Nr. 1. S. 64-68.
@article{61924cfea5f14fa9b2bae299f3cd8d87,
title = "Interactive Machine Learning (iML)",
abstract = "W{\"a}hrend Machine Learning (ML) in vielen Dom{\"a}nen sehr gut funktioniert, wie die Leistung selbstfahrender Autos zeigt, bergen vollautomatisierte ML-Methoden in komplexen Dom{\"a}nen die Gefahr der Modellierung von Artefakten.Ein Beispiel f{\"u}r eine komplexe Dom{\"a}ne ist die Biomedizin, wo wir mit hochdimensionalen, probabilistischen und unvollst{\"a}ndigen Datenmengen konfrontiert sind. In solchen Problemstellungen kann es vorteilhaft sein,nicht auf menschliches Dom{\"a}nenwissen zu verzichten, sondern vielmehr menschliche Intelligenz und ML zu kombinieren.",
keywords = "Maschinelles Lernen, Wissensentdeckung, Medizinische Informatik",
author = "Andreas Holzinger",
note = "ISSN: 0170-6012 (Print) 1432-122X (Online)",
year = "2016",
doi = "10.1007/s00287-015-0941-6",
language = "deutsch",
volume = "39",
pages = "64--68",
journal = "Informatik-Spektrum",
issn = "0170-6012",
publisher = "Springer Verlag",
number = "1",

}

TY - JOUR

T1 - Interactive Machine Learning (iML)

AU - Holzinger, Andreas

N1 - ISSN: 0170-6012 (Print) 1432-122X (Online)

PY - 2016

Y1 - 2016

N2 - Während Machine Learning (ML) in vielen Domänen sehr gut funktioniert, wie die Leistung selbstfahrender Autos zeigt, bergen vollautomatisierte ML-Methoden in komplexen Domänen die Gefahr der Modellierung von Artefakten.Ein Beispiel für eine komplexe Domäne ist die Biomedizin, wo wir mit hochdimensionalen, probabilistischen und unvollständigen Datenmengen konfrontiert sind. In solchen Problemstellungen kann es vorteilhaft sein,nicht auf menschliches Domänenwissen zu verzichten, sondern vielmehr menschliche Intelligenz und ML zu kombinieren.

AB - Während Machine Learning (ML) in vielen Domänen sehr gut funktioniert, wie die Leistung selbstfahrender Autos zeigt, bergen vollautomatisierte ML-Methoden in komplexen Domänen die Gefahr der Modellierung von Artefakten.Ein Beispiel für eine komplexe Domäne ist die Biomedizin, wo wir mit hochdimensionalen, probabilistischen und unvollständigen Datenmengen konfrontiert sind. In solchen Problemstellungen kann es vorteilhaft sein,nicht auf menschliches Domänenwissen zu verzichten, sondern vielmehr menschliche Intelligenz und ML zu kombinieren.

KW - Maschinelles Lernen

KW - Wissensentdeckung

KW - Medizinische Informatik

UR - http://rd.springer.com/journal/287

UR - http://rd.springer.com/article/10.1007/s00287-015-0941-6

U2 - 10.1007/s00287-015-0941-6

DO - 10.1007/s00287-015-0941-6

M3 - Artikel

VL - 39

SP - 64

EP - 68

JO - Informatik-Spektrum

T2 - Informatik-Spektrum

JF - Informatik-Spektrum

SN - 0170-6012

IS - 1

ER -