Lernen Sie Deep Learning in Frankfurt

Lernen Sie in unseren interaktiven Deep Learning Kursen in Frankfurt die theoretischen und praktischen Grundlagen von Tiefen Neuronalen Netzen kennen in den gängigen Frameworks basierend auf Python: Keras und Pytorch.

1 Tag
Grundbegriffe aus den Bereichen Künstliche Intelligenz, Maschinelles Lernen und Deep Learning. Es werden Anwendungsfälle diskutiert und die Voraussetzungen, Möglichkeiten und Grenzen von KI erläutert. Zielgruppe der Schulung sind Führungskräfte, die KI Use-Cases im Unternehmen aufdecken und das Potential und den erforderlichen Aufwand realistisch einschätzen wollen.
Python – 3 Tage
In diesem Kurs lernen Sie die Grundlagen von Deep-Learning kennen (mit Beispielen aus der Bild-, Text- und Sequenzdatenbearbeitung). Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Vorkommende Neuronale-Netzwerk-Typen umfassen CNNs, RNNs und LSTMs.
Python – 3 Tage
In diesem Kurs lernen Sie die Grundlagen von Deep-Learning (mit Beispielen aus der Bildverarbeitung) kennen. Sie erstellen und trainieren Neuronale Netze auf GPUs mit dem anwenderfreundlichen und beliebten Framework Keras / Tensorflow (in Python). Die praktischen Anwendungsfällen umfassen: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.
Kundenbewertungen & Erfahrungen zu Enable AI. Mehr Infos anzeigen.

Deep Learning – Die Basics

Im Feld der Künstlichen Intelligenzen ist Deep Learning eine vergleichsweise junge Disziplin, die bereits eine bewegte Geschichte hat: erste Ansätze wurden in den 1950er Jahren geknüpft, die tatsächliche Erfindung des Deep Learning dauerte aber nochmal ca. 30 Jahre und seit etwa zehn erlebt diese Unterkategorie der KI einen regelrechten Hype. Alex Krishevsky kann als Vater dieses Deep Learning-Hypes bezeichnet werden. Im Jahr 2012 stelte er auf der weltberühmten NIPS Konferenz ein Paper mit dem Titel „ImageNet Classification with Deep Convolutional Neural Networks“ vor. In diesem beschrieb er die Verwendung eines Neuronalen Netzes (seine Architektur ist in Fachkreisen heute als AlexNet bekannt), mit dem trotz starker Konkurrenz ein Bildklassifizierungswettbewerb (ImageNet) gewonnen werden konnte.

Deep Learning arbeitet mit unterschiedlichen Typen von Algorithmen, Neuronale Netze sind aber die häufigsten. Umspannen diese Neuronalen Netzte mehrere Ebenen bzw. Layer, spricht man von Deep Learning. Heutzutage trifft dies auf alle geläufigen Neuronale Netze zu. Ihre Entwicklung ist ein lebendiger Prozess: über die Jahre hinweg haben die Veröffentlichung vieler Architekturen die Qualität auf den Benchmark-Datensätzen kontinuierlich gesteigert. Architekturen wie LeNet, AlexNet, ZFNet, VGG16, GoogLeNet, ResNet, InceptionV3, MobileNet und DenseNet haben auf diesem Weg bereits Meilensteine in der Evolution des Deep Learning gesetzt.

Von den zahlreichen Klassen der Architekturen von Neuronalen Netzen gelten Multi-Layer Perceptrons (MLPs), Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs) und die Long Short Term Memory Networks (LSTMs) als die Wichtigsten.

Deep Learning Kurse im Detail

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Deep Learning Kurs in Frankfurt

Es gibt viele Gründe, warum Frankfurt eine der boomenden Wirtschaftsmetropolen Deutschlands ist: Hauptstadt der Finanzindustrie und dank des internationalen Flughafens einer der publikumsstärksten Verkehrsknotenpunkte Europas. Ganz nebenbei beherbergt die hessische Großstadt den Internetknoten DE-CIX mit dem höchsten Datendurchsatz der Welt. Kaum ein anderer Standpunkt in der Bundesrepublik ist so prädestiniert, zu einem Vorreiter in der Deep Learning-Industrie zu werden wie die Rhein-Main-Region.

Deep Learning Schulung im Herzen von Frankfurt

Enable AI bietet offene Deep Learning Kurse an verschiedenen Standorten in Deutschland an, so auch in Frankfurt. Üblicherweise finden unsere Seminare zentral in der Nähe des Hauptbahnhofes statt, damit sie auch mit öffentlichen Verkehrsmitteln leicht zu erreichen sind. Details finden Sie beim jeweiligen Kurs.

Besuchen Sie die Kursbeschreibungen, um die nächsten Termine für Frankfurt zu erfahren.

Individualisierter In-House Deep Learning Kurs in Frankfurt

Sie sind ein Unternehmen ansässig in Frankfurt und möchten Ihren Angestellten ein Seminar direkt vor Ort in Ihren eigenen Räumlichkeiten bieten? Kein Problem. Neben den offenen Seminaren organisiert Enable AI für Ihr Unternehmen in Frankfurt ein externes Deep Learning Seminar. Fragen Sie uns an und wir erarbeiten gemeinsam mit Ihnen aus unserer großen Sammlung von Schulungsseminar individuell, welche Module für Sie und Ihre Angestellten den größten Gewinn bringt.

Deep Learning Kurse im Detail

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Weitere Schulungsorte
Enable AI bietet Schulungen in Deep Learning in folgenden Städten an: Frankfurt, München und Stuttgart.

Das sagen bisherige Teilnehmer

Weitere Seminare und Termine

Die nächsten Kurse

Übersicht über die kommenden Schulungen in Machine Learning, Deep Learning, Data Science und Statistik.

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.

3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.

(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn.

(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.

(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering).

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.

(3 Tage) In dieser Schulung lernen Sie, wie Sie Webapps bauen können um die Ergebnisse Ihrer Data Science / Deep Learning Algorithmen visualisieren zu können und Ihren Kollegen über ein Web Oberfläche zur Verfügung zu stellen. Verwendete Pakete und Programmiersprachen sind Python, Flask, Html / CSS, streamlit, jinja, ajax.

(2 Tage) In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.

(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.

In dieser Schulung lernen Sie, wie Sie Geo-Spatial-Daten in Python analysieren und visualisieren können. Das Seminar behandelt raumbezogene Vektordaten (mit dem Python Paket geopandas) und Rasterdaten (mit dem Paket Rasterio). Das Python Modul Contextily wird verwendet um fortgeschrittene Visualisierungen zu realisieren.

(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn.

3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.

(5 Tage) Einstieg in die Programmiersprache Python mit Fokus auf Data Science / Machine Learning. Mit u.a. folgenden Algorithmen: Regression, Random Forest, Clustering. Verwendete Pakete: pandas, numpy, matplotlib, seaborn, scikit-learn, statsmodels.

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering).

(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(2 Tage) In dieser Schulung lernen Sie, wie Sie schnell und effektiv Ihre Daten und Ergebnisse mit Python visualisieren und mit anderen teilen können. Auch die interaktive Visualisierung wird behandelt. Verwendete Python Pakete sind: pandas, matplotlib, plotly, rise, ipywidgets, voila, streamlit.

(3 Tage) Kompakter Einstieg in Python für Datenanalyse und Data Science. Grundlagen über pandas DataFrame, Grafiken erstellen, Machine Learning und erste Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering). Verwendete Pakete: pandas, seaborn, scikit-learn.

In dieser Schulung lernen Sie, wie Sie Zeitreihen Daten in Python analysieren und visualisieren können. Neben klassischen Methoden zur Zeitreihenvorhersage (ARMA) werden auch Maschinelle Lernen Methoden behandelt (RNN, LSTM). Verwendete Python Module sind: pandas, matplotlib, plotly, datetime, statsmodels, sklearn, keras.

In dieser Schulung lernen Sie, wie Sie Geo-Spatial-Daten in Python analysieren und visualisieren können. Das Seminar behandelt raumbezogene Vektordaten (mit dem Python Paket geopandas) und Rasterdaten (mit dem Paket Rasterio). Das Python Modul Contextily wird verwendet um fortgeschrittene Visualisierungen zu realisieren.

(3 Tage) Einführung in die Programmiersprache Python für Programmierer mit Grundkenntnissen einer anderen Programmiersprache. Vorstellung häufig gebrauchter Python Bibliotheken und Einführung in die Objektorientierte Programmierung.

(3 Tage) Einführung in DL mit Schwerpunkt Bilddaten. Allgemeine Theorie der Neuronalen Netze und Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Use-Cases aus dem Image Processing: Bildklassifizierung, Objektdetektierung mit Bounding Boxes, Semantische Segmentierung.

(3 Tage) In dieser Schulung lernen Sie, wie Sie Webapps bauen können um die Ergebnisse Ihrer Data Science / Deep Learning Algorithmen visualisieren zu können und Ihren Kollegen über ein Web Oberfläche zur Verfügung zu stellen. Verwendete Pakete und Programmiersprachen sind Python, Flask, Html / CSS, streamlit, jinja, ajax.

(1 Tag) Einführung in Künstliche Intelligenz, Maschinelles Lernen und Deep Learning: Voraussetzungen, Möglichkeiten und Grenzen der KI. Zielgruppe sind Führungskräfte, welche das Potential von KI in ihrem Unternehmen realistisch einschätzen möchten.

(2 Tage) Aufbauend auf Kenntnissen in Python, werden supervised und unsupervised Machine Learning Algorithmen in scikit-learn umgesetzt und die wichtigsten Schritte beim Trainieren der Algorithmen erklärt, u.a.: Regression, Entscheidungsbaum, Ensembles, Neuronales Netz, K-Means, DBSCAN Clustering.

3 Tages Kurs (R) mit einer knappen Einführung in die Statistik. Der Fokus liegt auf der Umsetzung der intuitiv erklärten Theorie in R, um Statistiken auf Daten eigenständig berechnen zu können und Daten mit dem data.table Paket analysieren zu können.

(3 Tage) Grundlagen von Deep-Learning. Theorie der Neuronalen Netze und praktische Umsetzung mit Keras / Tensorflow (Python) auf high-performance GPUs. Einführung in CNNs, RNNs und LSTMs zur Bearbeitung von Bild-, Text- und Sequenzdaten. Training bei wenig Daten. Bekannte Netzwerkarchitekturen.

(3 Tage) Einführung in die Datenanalyse und Machine Learning mit R. Wichtige Datenstrukturen in R, das Paket data.table für effiziente Datenanalyse. Statistiken berechnen. Eigene Funktionen schreiben. Plotten mit ggplot2. Erste ML-Algorithmen (Regression, Entscheidungsbaum, K-Means Clustering).

Weitere Schulungsorte
Enable AI bietet Schulungen in Deep Learning in folgenden Städten an: Frankfurt, München und Stuttgart.

Deep Learning in Unternehmen und Wissenschaft

Seit beinahe zehn Jahren erlebt Deep Learning einen Aufschwung an Interesse. Auf unterschiedlichen internationalen Konferenzen wie Conference on Neural Information Processing Systems (NIPS), International Conference on Learning Representations (ICLR), Conference on Computer Vision and Pattern Recognition (CVPR), Conference on Artificial Intelligence (AAAI), International Conference on Machine Learning (ICML), International Conference on Computer Vision (ICCV), oder der European Conference on Computer Vision (ECCV) wurden seit 2012 eine Vielzahl wissenschaftlicher Arbeiten zu Neuronalen Netzen und Deep Learning veröffentlicht. Die Autoren dieser Papers stammten nicht nur von Eliteuniversitäten wie Oxford, Stanford, Harvard oder dem MIT, sondern auch aus den Ställen erfolgreicher Unternehmen wie Google Brain, Facebook, Amazon oder dem Bosch Center for Artificial Intelligence (BCAI).
Daten sind der Schlüssel, um Deep Learing-Anwednungen effektiv zu nutzen. Für die Klassifizierung von Bildern zum Beispiel braucht ein Algorithmus beispielsweise 100 Bilder, um zu lernen. Hinter jedem Foto, Video und Text stecken Datensätze, die die Fäden sind, aus denen sich Neuronale Netze knüpfen lassen. Nicht verwunderlich also, dass sich im Zeitalter Big Data alles um Deep Learning dreht.

Morderne GPUs (graphic processing units) verfügen über die Rechenkapazität, die notwendig ist, um Neuronale Netze zu trainieren und haben die Ausbreitung von Deep Learning weiter befeuert. Die Firma NVIDIA steht mit der Entwicklung der aktuellen Graphikkarten-Reihe „Titan X“ und „Tesla P100“ an der Spitze des globalen Marktes.

Deep Learning Schulung in Frankfurt

Egal ob Programmierer, technischer Anwender oder Entscheidungsträger, es lohnt sich, mehr über Deep Learning und Neuronale Netze zu lernen. Enable AI führt mehrere Seminare in Frankfurt durch, die gerade für Deep Learning-Einsteiger hervorragend geeignet sind.

In unserem Kursportfolio finden Sie eine Reihe von Seminaren in Frankfurt mit unterschiedlichen Schwerpunkten zum Thema Deep Learning. Das Seminar „Künstliche Intelligenz für Entscheidungsträger“ zum Beispiel richtet sich gezielt an Manager ohne technisches Vorwissen und soll ihnen ein Gesamtbild von Künstlicher Intelligenz liefern, Deep Learning eingeschlossen. „Deep Learning mit GPUs (für Bildverarbeitung)“ führt in die Anwendungen Keras und Tensorflow ein. Zielgruppe sind Programmierer, die Andwendungsfälle rund um die Neuronalen Netze mit Bild-, Text- und nummerische Daten erarbeiten.

Unsere Ausbilder haben im Laufe ihrer Karriere durch Promotion und Berufserfahrung sowohl praktischen als auch theoretischen Einblick in alle für Deep Learning wichtigen Felder: Informatik, Mathematik, Statistik und Machine/Deep Learning. Wir garantieren aktuelle und praktisch erprobte Kursinhalte und Lösungen, die funktionieren. Unser Schulungsteam legt großen Wert darauf, Inhalte verständlich zu vermitteln und konzentriert sich auf Relevanz für Ihre alltägliche Arbeit. Praktische Übungen sind dabei ein essenzieller Bestandtteil unseres Seminarskonzept, sodass Sie nach erfolgreicher Teilnahme sofort selbst mit dem Coding loslegen können.

Um eine intensive Betreuung zu garantieren, lassen wir pro Schulungstermin höchstens 10 Teilnehmer zu. Unsere Kurse finden auf Deutsch statt, Englischkenntnisse sind jedoch von Vorteil, da Deep Learning ein sehr internationales Thema ist und Programmiersprachen, Fachbegriffe und Unterlagen, auch die Folien der Schulungspräsentation, auf Englisch sind.

Frankfurt, Stadt für Kurse und Schulungen von Enable AI

Seminar: Deep Learning Einführung mit GPUs - Seminar mit high-performance GPUs: Keras zur Analyse von Daten, Bildern, Zeitreihen

Wir erschließen mit Ihnen gemeinsam praxiorientiert die Grundlagen im Coding von Deep Learning Algorithmen in dem Framework Keras/Tensorflow. Wir zeigen Ihnen Anwendungsbeispiele für die Verarbeitung von Bild-, Text- und nummerischen Daten mit Neuronalen Netzen, die Sie selbst in Keras mit der Programmiersprache Python umsetzen. Zum behandelten Stoff zählen die Neuronalen Netztypen Multi Layer Perceptron (MLP), Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN). Über das Seminarende hinaus erhalten Sie zusätzliche 50 Stunden auf dem GPU Host, der auch im Seminar verwendet wurde. So können Sie selbstständig die Beispiele aus der Deep Learning Schulung ändern und für sich ausprobieren.

Seminar: Deep Learning mit GPUs (für Bildverarbeitung) - Seminar mit high-performance GPUs: Keras (Tensorflow) für Bilddaten

Hier erhalten Sie eine praktische Einführung in die Programmierung von Neuronalen Netzen mit dem Framework Keras / Tensorflow. Neben den theoretischen Basics vermitteln wir Ihnen in praktischen Übungen die Umsetzung von Neuronalen Netzen mit Keras in Python, der bevorzugten Programmiersprache des Deep Learning. Trainiert werden die tiefen Neuronalen Netze auf einer GPU. Folgende Anwendungsbeispiele erwarten Sie: Objektdetektion mit Bounding Boxes, Klassifikation von Bildern und Semantische Segmentierung. Wir zeigen Ihnen den optimalen Aufbau Neuronaler Netze und wie Sie aus bestehenden Codes aus der aktuellen Forschung mit vergleichsweise geringem Zeitaufwand zu nützlichen Ergebnissen kommen. Über das Seminarende hinaus erhalten Sie zusätzliche 50 Stunden auf dem GPU Host, der auch im Seminar verwendet wurde. So können Sie selbstständig die Beispiele aus der Deep Learning Schulung ändern und für sich ausprobieren.
Verschwommene futuristische Tunnelfahrt. Deep Learning ist die Zukunft.

Deep Learning in der Praxis

Neuronale Netze sind heutzutage sehr präzise bei der Erkennung und Klassifizierung von Bildern, Texten und Signalen. In vielen Fällen sind sie mit der Wahrnehmung des Menschen gleichauf oder sogar überlegen.

Medizinische Bildverarbeitung
Mithilfe von Deep Learning können Neuronale Netze darauf trainiert werden, automatisch oder zumindest semi-automatisch Krebs auf MRT- und CT-Aufnehmen zu identifizieren. Algorithmen können in der Opthamologie eingesetzt werden, um auf Netzhautaufnahmen Krankheiten erkennen und klassifizieren.

Autonomes Fahren
Deep Learning Algorithmen ermöglichen die KI-gestützte Steuerung von Fahrzeugen: sie identifizieren unter anderem andere Verkersteilnehmende wie Fußgänger oder andere Autos und können auf Geschwindigkeitsbegrenzungen und Ampeln reagieren.

Sortierung / Gruppierung von Texten, Bildern, Power Point Präsentationen
Deep Learning Algorithmen sorgen für aufgeräumte Archive und Datenbanken, indem sie Emails, Bilder, Texte oder Dokumente selbstständig gruppieren.

Qualitätskontrolle
Kratzer, Dellen, Verunreinigungen. Bevor ein Produkt in den Versand bzw. Vertrieb geht, ist eine abschließende Qualitätskontrolle unvermeidlich, um einwandfreie Ware zu liefern. Neuronale Netze können diesen Arbeitsschritt in verschiedenen Komplexitätsstufen abwickeln.

Text- und Bildverstehen
Neuronale Netze werden immer flexibler und erweitern durch Training ihr Verständnis kontinuierlich. So gibt es zum Beispiel bereits Algorithmen, die von Bildern Wasser- und Stromzählstände ablesen und Mails anhand des Inhalts als Spam identifizieren.