Interactive Machine Learning (iML)

Research output: Contribution to journalArticle

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.
LanguageGerman
Pages64-68
JournalInformatik-Spektrum
Volume39
Issue number1
DOIs
StatusPublished - 2016

Keywords

    Fields of Expertise

    • Information, Communication & Computing

    Treatment code (Nähere Zuordnung)

    • Basic - Fundamental (Grundlagenforschung)

    Cite this

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

    In: Informatik-Spektrum, Vol. 39, No. 1, 2016, p. 64-68.

    Research output: Contribution to journalArticle

    @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 -