Notizbuch

Datierte Notizen aus unserer Forschung und Entwicklung.

Eine einzelne Kerze, die in einem dunklen Raum brennt.
  1. Warum SI statt AI: ein Plädoyer für symbiotische IntelligenzDie meisten Technologieunternehmen, die in diesem Jahrzehnt gegründet werden, schreiben zwei Buchstaben in ihre Präsentation. Wir haben zwei andere in unseren Namen geschrieben. Was Symbiotische Intelligenz bedeutet und wie sie bestimmt, was wir tun und warum wir es so tun.
  2. Was eine Gehirn-Computer-Schnittstelle wirklich ist: vom EEG-Signal zur EntscheidungKein Gedankenlesen, keine Magie. Wir erklären schlicht und genau, wie aus Mikrovolt auf der Kopfhaut eine Entscheidung wird, die eine Maschine ausführen kann.
  3. Das Prinzip des X: Wie wir Probleme angehen, die unmöglich scheinenDas X in unserem Namen steht dafür, das Wort „unmöglich“ zurückzuweisen – nicht, indem wir Grenzen ignorieren, sondern indem wir sie in Fragen verwandeln. Vier Schritte, denen wir folgen, wenn etwas noch nicht funktioniert.
  4. Warum ich in der Türkei eine Gehirn-Computer-Schnittstelle baueDer Weg eines Gründers von Şanlıurfa an die vorderste Front der Neurotechnologie: warum unterstützte Kommunikation auch auf Türkisch funktionieren muss, was es wirklich bedeutet, in einem Schwellenmarkt ein Unternehmen aufzubauen, und warum 2025 der Wendepunkt war.
  5. Regulierung und Ethik künstlicher IntelligenzVom EU AI Act bis zum türkischen Datenschutzgesetz, von Bias-Tests bis zur Erklärbarkeit: wo die KI-Regulierung heute steht, ein Rahmen für die ethische Entwicklung von KI und ein praktischer Leitfaden, wie sich Unternehmen an die neuen Regeln anpassen.
  6. KI und Ethik: die Verantwortung von Data ScientistsData Scientists spielen in jeder Phase eines KI-Systems eine Schlüsselrolle, vom Entwurf bis zum Einsatz. Dieser Beitrag gliedert ihre ethische Verantwortung in sechs Bereiche: von Datenschutz und Fairness bis zu Transparenz und Nachhaltigkeit.
  7. Python für die Datenanalyse: Maschinelles Lernen mit Scikit-LearnEine praktische Einführung in maschinelles Lernen mit Scikit-Learn: überwachtes und unüberwachtes Lernen, Hyperparameter-Tuning, Kreuzvalidierung, Merkmalsauswahl, Modellinterpretation, Ensembles, Metriken, Pipelines und eine Fallstudie mit dem Iris-Datensatz.
  8. Python für die Datenanalyse: Matplotlib und DatenvisualisierungMatplotlib ist eine der meistgenutzten Diagrammbibliotheken für Python. Dieser Leitfaden behandelt Linien-, Balken- und Streudiagramme, Histogramme und Kreisdiagramme, danach Anpassungen, Teildiagramme sowie logarithmische und 3D-Diagramme – jeweils mit Code.
  9. Datenanalyse mit pandas: Daten bearbeiten und visualisierenPandas ist eine der nützlichsten Python-Bibliotheken für alle, die mit Daten arbeiten. Dieser Leitfaden behandelt DataFrames und Series, das Laden, Bereinigen, Zusammenfassen und Gruppieren von Daten, Diagramme, Zeitreihen und das Zusammenführen und wendet anschließend alles auf einen synthetischen Datensatz an.
  10. Im Licht der Renaissance und der Weisheit tibetischer MöncheEine persönliche Notiz zur Teilnahme an der Dejavus-Reihe von NUWA NFTs: fünf Wörter (Initiation, Zeit, Spirituelles, Geist, Fluss), umgesetzt in ein Kunstwerk der KI-Künstlerin Çağla Öztürk und in Musik von E. Buğra Balcı.
  11. Was ist ein unausgewogener Datensatz und wie geht man damit um?Ihr Modell meldet 99,9 % Genauigkeit und übersieht trotzdem den Betrug. Am Beispiel eines Datensatzes zu Kreditkartenbetrug zeigen wir, warum unausgewogene Daten täuschen, auf welche Metriken es ankommt und wie man die Klassen mit Oversampling, SMOTE und Undersampling wieder ausgleicht.

RSS-Feed