Maschinelles Lernen

Maschinelles Lernen, abgekürzt ML, ist ein Teilbereich der KI, der sich auf die Entwicklung von Algorithmen konzentriert, die sich durch Erfahrung und die Nutzung von Daten automatisch verbessern. Ohne dass die "Maschine" (Computer) explizit für eine Aufgabe prorammiert wurde, kann sie Entscheidungen und Vorhersagen treffen, weil sie aus Daten lernt. Es gibt verschiedene Arten des ML: überwachtes Lernen (supervised Learning), unüberwachtes Lernen (unsupervised Learning), Verstärkungslernen (Reinforcement Learning). Deep Learning (DL) ist ein Teilbereich des ML, bei dem mit künstlichen neuronalen Netzen gearbeitet wird.



Natural Language Processing

Natural Language Processing, abgekürzt NLP, ist ebenfalls ein Teilgebiet der KI. Im NLP finden Methoden des ML und des DL Anwendung. Es setzt sich aus den Teilbereichen Natural Language Understanding und Natural Language Generation zusammen. Ziel ist es, eine große Mengen an natürlichsprachlichen Daten verarbeiten und analysieren zu können, um u.a. eine direkte natürlichsprachige Interaktion zwischen Menschen und Maschinen zu ermöglichen, z.B. via Chatbots. Dazu nutzt NLP linguistische Komponenten wie Syntax, Semantik, Pragmatik und Diskurs.



Computer Vision

Computer Vision, abgekürzt CV, gehört auch in das Forschungsgebiet KI. Das Ziel von CV ist, die Fähigkeiten des menschlichen Sehens in Maschinen nachzubilden. Dies schließt sowohl das Erkennen als auch das Deutecn der Informationen in Abbildungen, Bildern und Videos ein. Typische Anwendungen sind die Objekterkennung (z.B. Object Character Recognition), Gesichtserkennung, automatische Übersetzung von Schildern etc. und Bilderzeugung.



Digital Classics, Einführungsliteratur

  • - Burns, P. (2023): LatinCy: Synthetic Trained Pipelines for Latin NLP, LINK
  • - Sommerschield et al. (2023): Machine Learning for Ancient Languages: A Survey, LINK
  • - Berti, M. (2019): Digital classical philology: Ancient Greek and Latin in the digital revolution, LINK
  • - Forstall & Scheirer (2019): Quantitative Intertextuality: Analyzing the Markers of Information Reuse
  • - Schubert et al. (2019):Platon digital: Tradition und Rezeption, LINK

Kategorie wählen

Phase Methode Funktion Anwendung Quellen

Keine Methoden für diese Auswahl gefunden.