Johannes Wobus – Data Science, AI & Software Engineering

Johannes Wobus – Data Science, AI & Software Engineering

  • Home
    • Grundlagenbeiträge: Python, KI & Data
    • KI-Modelle
    • Praxisbeispiele und Quellcodes
    • KNIME
    • Deepfakes
    • Loras (FLUX, SDXL, SD)
      • Referenzen-Personen
    • Aktuelle Projekte
  • Dienstleistungen
  • Kontakt
  • Portfolio
  • Mehr
    • Ressourcen
    • Über
  • Impressum
    • Datenschutzerklärung – DSGVO
  • FAQ
  • Analyse von Deepfake-Videos via Pixelrauschenprüfung + KI

    Analyse von Deepfake-Videos via Pixelrauschenprüfung + KI

    März 6, 2025
    Deepfakes, Praxisbeispiele und Quellcodes

    Allgemeine Beschreibung Der Code „VideoNoiseDetector“ dient zur Analyse von Videos auf Bildrauschen. Er wurde aus einem ursprünglichen Skript in eine Klassenstruktur überführt. Der Nutzer startet die Analyse, indem er den Pfad zu einem Video eingibt. Das Programm untersucht jedes Bild des Videos und sucht nach Gesichtern. Gefundene Gesichter werden in kleinere Bereiche aufgeteilt, um Rauschen…

  • Kundenanalyse und Churn Prediction mit KNIME: Kundenbindung durch intelligente Datenanalyse verbessern

    Kundenanalyse und Churn Prediction mit KNIME: Kundenbindung durch intelligente Datenanalyse verbessern

    März 6, 2025
    KNIME & BigData

    Einleitung Unternehmen stehen vor der Herausforderung, ihre Kunden besser zu verstehen, personalisierte Angebote zu erstellen und Kundenabwanderung (Churn) frühzeitig zu erkennen. KNIME ist eine leistungsstarke Plattform zur Analyse von Kundendaten und ermöglicht es, Kaufverhalten zu analysieren, Kundensegmente zu erstellen und präzise Vorhersagemodelle für Churn Prevention zu entwickeln. Warum KNIME für Kundenanalyse und Churn Prediction? KNIME…

  • Predictive Maintenance mit KNIME: Maschinenstillstände verhindern durch intelligente Datenanalyse

    Predictive Maintenance mit KNIME: Maschinenstillstände verhindern durch intelligente Datenanalyse

    März 6, 2025
    KNIME & BigData

    Einleitung Ungeplante Maschinenausfälle in der Industrie können hohe Kosten verursachen. Predictive Maintenance (vorausschauende Wartung) hilft Unternehmen, Fehlfunktionen frühzeitig zu erkennen und Wartungsarbeiten gezielt durchzuführen, bevor es zu teuren Stillständen kommt. KNIME bietet eine leistungsstarke Plattform, um große Mengen an Sensordaten zu analysieren, Anomalien zu erkennen und Maschinenausfälle zu prognostizieren. Warum KNIME für Predictive Maintenance? KNIME…

  • Betrugserkennung im Finanzwesen mit KNIME: Effiziente Methoden zur Anomalieerkennung

    Betrugserkennung im Finanzwesen mit KNIME: Effiziente Methoden zur Anomalieerkennung

    März 6, 2025
    KNIME & BigData

    Einleitung Betrug im Finanzwesen ist ein großes Problem für Banken, Zahlungsdienstleister und Versicherungen. Ob es sich um Kreditkartenbetrug, Geldwäsche oder betrügerische Transaktionen handelt – Unternehmen stehen vor der Herausforderung, verdächtige Aktivitäten frühzeitig zu erkennen und Betrug zu verhindern. Hier kommt KNIME ins Spiel: Die Plattform ermöglicht es, große Mengen an Finanzdaten zu analysieren und mithilfe…

  • KNIME: Die All-in-One-Plattform für Datenanalyse und Datenvisualisierung

    KNIME: Die All-in-One-Plattform für Datenanalyse und Datenvisualisierung

    März 6, 2025
    KNIME & BigData

    Was ist KNIME? KNIME (Konstanz Information Miner) ist eine leistungsstarke Open-Source-Plattform für Datenanalyse, Datenaufbereitung und maschinelles Lernen. Dank der intuitiven, visuellen Benutzeroberfläche können Anwender komplexe Workflows ohne Programmierkenntnisse erstellen. Dies macht KNIME besonders attraktiv für Unternehmen, Wissenschaftler und Analysten, die datengetriebene Entscheidungen treffen möchten. KNIME unterstützt sowohl Einsteiger als auch Experten und bietet eine leistungsfähige…

  • Deepfakes erkennen

    Deepfakes erkennen

    März 5, 2024
    Deepfakes

    Vor einigen Monaten sprach mich ein alter Geschäftskontakt und Freund auf diese Deepfakeproblematik an und ich fand endlich Gelegenheit, mir das Thema sehr genau anzuschauen. Wie ging ich hier vor? Die Antwort ist simpel: ich organisierte mir die Software „Automatic 1111“ inkl. aller relevanten Checkpoints (Daten) + Loras und generierte im ersten Schritt 50.000 Deepfakes.…

Vorherige Seite
1 … 5 6 7

Johannes Wobus – Data Science, AI & Software Engineering

Besuche auch: DNID – Trust and privacy services, Kwink, LE-Consulting