{"id":30936,"date":"2019-10-31T21:38:20","date_gmt":"2019-10-31T18:38:20","guid":{"rendered":"https:\/\/prohoster.info\/blog\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya\/"},"modified":"2019-10-31T21:38:20","modified_gmt":"2019-10-31T18:38:20","slug":"mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","title":{"rendered":"Maschinelles Lernen ohne Python, Anaconda und andere Kriechtierchen","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Nat\u00fcrlich nehme ich das nicht ernst. Es muss schlie\u00dflich einen Punkt geben, bis zu dem man ein Thema vereinfachen kann. Aber f\u00fcr die ersten Schritte, um die grundlegenden Konzepte zu verstehen und schnell in das Thema einzutauchen, kann es vielleicht in Ordnung sein. Wie wir dieses Material dann richtig benennen (Vorschl\u00e4ge: \"Maschinelles Lernen f\u00fcr Einsteiger\", \"Datenanalyse f\u00fcr Anf\u00e4nger\", \"Algorithmen f\u00fcr die Kleinsten\"), besprechen wir am Ende. <\/p>\n

Kommen wir zum Punkt. Ich habe einige praktische Programme in MS Excel erstellt, um die Prozesse zu visualisieren und anschaulich darzustellen, die in verschiedenen Methoden des maschinellen Lernens bei der Datenanalyse ablaufen. Sehen hei\u00dft glauben, wie die Tr\u00e4ger der Kultur sagen, die die meisten dieser Methoden entwickelt hat (\u00fcbrigens l\u00e4ngst nicht alle. Die m\u00e4chtige \"Support-Vektor-Maschine\", oder SVM, ist die Erfindung unseres Mitb\u00fcrgers Wladimir Wapnik, Moskau Institut f\u00fcr Management. 1963, \u00fcbrigens! Heute lehrt er aber in den USA und arbeitet dort).<\/p>\n

Drei Dateien zur Einsichtnahme
\n<\/a><\/noindex><\/p>\n

1. K-Means-Klasterbildung<\/h2>\n

\nAufgaben dieser Art geh\u00f6ren zum Bereich des \u201eun\u00fcberwachten Lernens\u201c, bei dem wir die Ausgangsdaten in eine vorher bestimmte Anzahl von Kategorien unterteilen m\u00fcssen, jedoch keine \u201erichtigen Antworten\u201c zur Verf\u00fcgung stehen, sondern wir diese aus den Daten selbst ableiten m\u00fcssen. Ein klassisches Beispiel f\u00fcr diese Problematik ist die Bestimmung der Unterarten von Irisblumen (Ronald Fisher, 1936!), die als erste fr\u00fche Arbeit in diesem Wissensgebiet gilt.<\/p>\n

Die Methode ist recht einfach. Wir haben eine Menge von Objekten, die als Vektoren (S\u00e4tze von N Zahlen) dargestellt werden. Bei den Irisblumen handelt es sich um 4 Zahlen, die die Blume charakterisieren: die L\u00e4nge und Breite der \u00e4u\u00dferen und inneren Perigonbl\u00e4tter, entsprechend (Iris von Fisher \u2014 Wikipedia<\/a><\/noindex>). Als Abstand oder Ma\u00df f\u00fcr die \u00c4hnlichkeit zwischen den Objekten wird die \u00fcbliche euklidische Metrik gew\u00e4hlt.<\/p>\n

Als n\u00e4chstes werden die Clusterzentren zuf\u00e4llig (oder nicht zuf\u00e4llig, siehe weiter unten) ausgew\u00e4hlt, und die Abst\u00e4nde von jedem Objekt zu den Clusterzentren werden berechnet. Jedes Objekt wird in diesem Iterationsschritt als dem n\u00e4chstgelegenen Zentrum zugeh\u00f6rig markiert. Danach wird das Zentrum jedes Clusters auf den arithmetischen Mittelwert der Koordinaten seiner Mitglieder verschoben (in der Physik auch \u201aSchwerpunkt\u2018 genannt), und das Verfahren wird wiederholt.<\/p>\n

Der Prozess konvergiert relativ schnell. In 2D-Bildern sieht das wie folgt aus:<\/p>\n

1. Urspr\u00fcngliche zuf\u00e4llige Verteilung der Punkte auf der Fl\u00e4che und Anzahl der Cluster<\/p>\n

\"Maschinelles
\n
\n2. Festlegung der Clusterzentren und Zuordnung der Punkte zu ihren Clustern<\/p>\n

\"Maschinelles
\n
\n3. \u00dcbertragung der Koordinaten der Clusterzentren, erneute Berechnung der Zugeh\u00f6rigkeit der Punkte, bis die Zentren stabilisiert sind. Die Bewegung des Clusterzentrums zu seiner Endposition ist sichtbar.<\/p>\n

\"Maschinelles
\n
\nJederzeit k\u00f6nnen neue Clusterzentren festgelegt werden (ohne eine neue Verteilung der Punkte zu generieren!) und es kann gesehen werden, dass der Partitionierungsprozess nicht immer eindeutig ist. Mathematisch bedeutet das, dass wir bei der zu optimierenden Funktion (der Summe der quadrierten Abst\u00e4nde der Punkte zu den Zentren ihrer Cluster) kein globales, sondern ein lokales Minimum finden. Dieses Problem kann \u00fcberwunden werden, indem entweder die Anfangszentren der Cluster nicht zuf\u00e4llig ausgew\u00e4hlt werden oder indem m\u00f6gliche Zentren durchprobiert werden (manchmal ist es vorteilhaft, sie genau an einer der Punkte zu platzieren, dann haben wir zumindest die Garantie, keine leeren Cluster zu erhalten). In jedem Fall gibt es f\u00fcr eine endliche Menge immer eine exakte Untergrenze. <\/p>\n

Sie k\u00f6nnen mit dieser Datei \u00fcber diesen Link spielen<\/a><\/noindex> (vergessen Sie nicht, die Makros zu aktivieren. Die Dateien wurden auf Viren gepr\u00fcft)<\/p>\n

Die Beschreibung der Methode auf Wikipedia \u2014 k-means Methode<\/a><\/noindex><\/p>\n

2. Ann\u00e4herung an Polynomien und Datenpartitionierung. \u00dcberanpassung<\/h2>\n

\nDer bemerkenswerte Wissenschaftler und Datenwissenschaftler K.V. Woronzow beschreibt Methoden des maschinellen Lernens als \u201eWissenschaft des Durchzugs von Kurven durch Punkte\u201c. In diesem Beispiel werden wir Muster in den Daten mit der Methode der kleinsten Quadrate finden. <\/p>\n

Es wird die Technik vorgestellt, wie man die urspr\u00fcnglichen Daten in \u201eTrainings-\u201e und \u201eTestdaten\u201c aufteilt, sowie ein Ph\u00e4nomen, das als \u00dcberanpassung oder \u201eOverfitting\u201c bekannt ist. Bei einer richtigen Approximation erhalten wir einen gewissen Fehler bei den Trainingsdaten und einen deutlich gr\u00f6\u00dferen Fehler bei den Testdaten. Bei einer falschen Approximation haben wir eine exakte Anpassung an die Trainingsdaten und einen enormen Fehler bei den Testdaten.<\/p>\n

(Es ist bekannt, dass durch N Punkte eine eindeutige Kurve n-1. Grades gezogen werden kann und dass diese Methode im Allgemeinen nicht das gew\u00fcnschte Ergebnis liefert. Interpolationspolynom von Lagrange auf Wikipedia<\/a><\/noindex>)<\/p>\n

1. Wir legen die anf\u00e4ngliche Verteilung fest.<\/p>\n

\"Maschinelles
\n
\n2. Wir teilen die Punkte im Verh\u00e4ltnis 70 zu 30 in \u201eTrainings-\u201c und \u201eTestdaten\u201c auf.<\/p>\n

\"Maschinelles
\n
\n3. Wir ziehen die approximierende Kurve durch die Trainingspunkte und sehen den Fehler, den sie bei den Testdaten verursacht.<\/p>\n

\"Maschinelles
\n
\nWir zeichnen eine pr\u00e4zise Kurve durch die Trainingspunkte und sehen einen enormen Fehler bei den Testdaten (und null bei den Trainingsdaten, aber was n\u00fctzt das?).<\/p>\n

\"Maschinelles
\n
\nGezeigt wird nat\u00fcrlich die einfachste Variante mit einer einzigen Aufteilung in 'Trainings-' und 'Test'-Subset, im Allgemeinen wird dies mehrfach durchgef\u00fchrt, um die Koeffizienten optimal anzupassen.<\/p>\n

Die Datei ist hier verf\u00fcgbar und wurde mit einem Antivirenprogramm \u00fcberpr\u00fcft.<\/a><\/noindex> Aktivieren Sie die Makros f\u00fcr eine korrekte Funktion.<\/p>\n

3. Gradientensenkung und Dynamik der Fehlerver\u00e4nderung.<\/h2>\n

\nHier wird ein 4-dimensionaler Fall und lineare Regression behandelt. Die Koeffizienten der linearen Regression werden schrittweise mit dem Gradientensenkungsverfahren bestimmt, zu Beginn sind alle Koeffizienten null. In einem separaten Diagramm ist die Dynamik der Fehlerreduktion zu sehen, w\u00e4hrend die Koeffizienten immer pr\u00e4ziser angepasst werden. Es besteht die M\u00f6glichkeit, alle vier 2-dimensionalen Projektionen anzusehen.<\/p>\n

Wenn der Schritt des Gradientenabstiegs zu gro\u00df eingestellt ist, stellen wir fest, dass wir jedes Mal das Minimum \u00fcberschreiten und wir mehr Schritte ben\u00f6tigen, um zum Ergebnis zu gelangen, obwohl wir letztendlich trotzdem ankommen (es sei denn, wir setzen den Schritt des Absturzes zu hoch an - dann ger\u00e4t der Algorithmus au\u00dfer Kontrolle). Der Graph der Abh\u00e4ngigkeitsfehler vom Iterationsschritt wird nicht glatt, sondern \u201eruckartig\u201c sein.<\/p>\n

1. Daten generieren, Schritt des Gradientenabstiegs festlegen<\/p>\n

\"Maschinelles
\n
\n2. Bei richtiger Wahl des Schrittes des Gradientenabstiegs erreichen wir sanft und schnell das Minimum<\/p>\n

\"Maschinelles
\n
\n3. Bei falscher Wahl des Schrittes des Gradientenabstiegs \u00fcberschreiten wir das Maximum, der Fehlergraph ist \u201eruckartig\u201c, die Konvergenz dauert l\u00e4nger<\/p>\n

\"Maschinelles
\nund<\/p>\n

\"Maschinelles
\n
\n4. Bei ganz falscher Wahl des Schrittes des Gradientenabstiegs entfernen wir uns vom Minimum<\/p>\n

\"Maschinelles
\n
\n(Um den Prozess bei den auf den Bildern angegebenen Werten des Gradientenabstiegsschrittes zu reproduzieren, aktivieren Sie die Option \"Referenzdaten\").<\/p>\n

Die Datei \u2013 \u00fcber diesen Link, bitte aktivieren Sie die Makros, es sind keine Viren vorhanden.<\/a><\/noindex><\/p>\n

Wie das angesehene Publikum findet, ist eine solche Vereinfachung und Methode der Materialpr\u00e4sentation akzeptabel? Sollte der Artikel ins Englische \u00fcbersetzt werden? <\/b>
\n
Quelle: habr.com<\/a><\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"

\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a […]<\/p>\n","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"author":1,"featured_media":22912,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[702],"tags":[],"class_list":["post-30936","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-novosti-interneta"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\n","aioseo_head_json":{"title":"\ud83e\udd47Maschinenlernen ohne Python, Anaconda und andere Hilfsprogramme | ProHoster","description":"Nat\u00fcrlich meine ich das nicht ernst. Es muss schlie\u00dflich eine Grenze geben, bis zu welchem Punkt man ein Thema vereinfachen kann. Aber f\u00fcr die ersten Schritte, um die grundlegenden Konzepte zu verstehen und schnell in das Thema einzutauchen, ist es vielleicht zul\u00e4ssig. Wie wir dieses Material benennen, (m\u00f6gliche Optionen: \u201eMaschinenlernen f\u00fcr Einsteiger\u201c, \u201eDatenanalyse f\u00fcr Anf\u00e4nger\u201c, \u201eAlgorithmen f\u00fcr die Kleinsten\u201c), werden wir am Ende besprechen.","canonical_url":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","robots":"max-image-preview:large","keywords":"","webmasterTools":{"miscellaneous":""},"schema":null,"og:locale":"de_DE","og:site_name":"ProHoster | \u041a\u0443\u043f\u0438\u0442\u044c \u043d\u0430\u0434\u0435\u0436\u043d\u044b\u0439 \u0445\u043e\u0441\u0442\u0438\u043d\u0433 \u0434\u043b\u044f \u0441\u0430\u0439\u0442\u043e\u0432 \u0441 \u0437\u0430\u0449\u0438\u0442\u043e\u0439 \u043e\u0442 DDoS, VPS VDS \u0441\u0435\u0440\u0432\u0435\u0440\u044b","og:type":"article","og:title":"\ud83e\udd47\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0431\u0435\u0437 Python, Anaconda \u0438 \u043f\u0440\u043e\u0447\u0438\u0445 \u043f\u0440\u0435\u0441\u043c\u044b\u043a\u0430\u044e\u0449\u0438\u0445\u0441\u044f | ProHoster","og:description":"\u041d\u0435\u0442, \u043d\u0443 \u044f, \u043a\u043e\u043d\u0435\u0447\u043d\u043e, \u043d\u0435 \u0432\u0441\u0435\u0440\u044c\u0435\u0437. \u0414\u043e\u043b\u0436\u0435\u043d \u0436\u0435 \u0431\u044b\u0442\u044c \u043f\u0440\u0435\u0434\u0435\u043b, \u0434\u043e \u043a\u0430\u043a\u043e\u0439 \u0441\u0442\u0435\u043f\u0435\u043d\u0438 \u0432\u043e\u0437\u043c\u043e\u0436\u043d\u043e \u0443\u043f\u0440\u043e\u0449\u0430\u0442\u044c \u043f\u0440\u0435\u0434\u043c\u0435\u0442. \u041d\u043e \u0434\u043b\u044f \u043f\u0435\u0440\u0432\u044b\u0445 \u044d\u0442\u0430\u043f\u043e\u0432, \u043f\u043e\u043d\u0438\u043c\u0430\u043d\u0438\u044f \u0431\u0430\u0437\u043e\u0432\u044b\u0445 \u043a\u043e\u043d\u0446\u0435\u043f\u0446\u0438\u0439 \u0438 \u0431\u044b\u0441\u0442\u0440\u043e\u0433\u043e \u00ab\u0432\u044a\u0435\u0437\u0436\u0430\u043d\u0438\u044f\u00bb \u0432 \u0442\u0435\u043c\u0443, \u043c\u043e\u0436\u0435\u0442 \u0431\u044b\u0442\u044c, \u0438 \u0434\u043e\u043f\u0443\u0441\u0442\u0438\u043c\u043e. \u0410 \u043a\u0430\u043a \u043f\u0440\u0430\u0432\u0438\u043b\u044c\u043d\u043e \u043f\u043e\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u0442\u044c \u0434\u0430\u043d\u043d\u044b\u0439 \u043c\u0430\u0442\u0435\u0440\u0438\u0430\u043b (\u0432\u0430\u0440\u0438\u0430\u043d\u0442\u044b: \u00ab\u041c\u0430\u0448\u0438\u043d\u043d\u043e\u0435 \u043e\u0431\u0443\u0447\u0435\u043d\u0438\u0435 \u0434\u043b\u044f \u0447\u0430\u0439\u043d\u0438\u043a\u043e\u0432\u00bb, \u00ab\u0410\u043d\u0430\u043b\u0438\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441 \u043f\u0435\u043b\u0435\u043d\u043e\u043a\u00bb, \u00ab\u0410\u043b\u0433\u043e\u0440\u0438\u0442\u043c\u044b \u0434\u043b\u044f \u0441\u0430\u043c\u044b\u0445 \u043c\u0430\u043b\u0435\u043d\u044c\u043a\u0438\u0445\u00bb), \u043e\u0431\u0441\u0443\u0434\u0438\u043c \u0432 \u043a\u043e\u043d\u0446\u0435. \u041a","og:url":"https:\/\/prohoster.info\/de\/blog\/novosti-interneta\/mashinnoe-obuchenie-bez-python-anaconda-i-prochih-presmykayushhihsya","og:image":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:secure_url":"https:\/\/prohoster.info\/wp-content\/uploads\/2021\/11\/logo-350.jpg","og:image:width":350,"og:image:height":350,"article:published_time":"2019-10-31T18:38:20+00:00","article:modified_time":"2019-10-31T18:38:20+00:00","article:publisher":"https:\/\/www.facebook.com\/prohoster","article:author":"https:\/\/www.facebook.com\/prohoster"},"aioseo_meta_data":{"post_id":"30936","title":null,"description":null,"keywords":null,"keyphrases":null,"primary_term":null,"canonical_url":null,"og_title":null,"og_description":null,"og_object_type":"default","og_image_type":"default","og_image_url":null,"og_image_width":null,"og_image_height":null,"og_image_custom_url":null,"og_image_custom_fields":null,"og_video":null,"og_custom_url":null,"og_article_section":null,"og_article_tags":null,"twitter_use_og":false,"twitter_card":"default","twitter_image_type":"default","twitter_image_url":null,"twitter_image_custom_url":null,"twitter_image_custom_fields":null,"twitter_title":null,"twitter_description":null,"schema":{"blockGraphs":[],"customGraphs":[],"default":{"data":{"Article":[],"Course":[],"Dataset":[],"FAQPage":[],"Movie":[],"Person":[],"Product":[],"ProductReview":[],"Car":[],"Recipe":[],"Service":[],"SoftwareApplication":[],"WebPage":[]},"graphName":"","isEnabled":true},"graphs":[]},"schema_type":null,"schema_type_options":null,"pillar_content":false,"robots_default":true,"robots_noindex":false,"robots_noarchive":false,"robots_nosnippet":false,"robots_nofollow":false,"robots_noimageindex":false,"robots_noodp":false,"robots_notranslate":false,"robots_max_snippet":null,"robots_max_videopreview":null,"robots_max_imagepreview":"large","priority":null,"frequency":null,"local_seo":null,"seo_analyzer_scan_date":"2026-01-21 03:45:19","breadcrumb_settings":null,"limit_modified_date":false,"reviewed_by":null,"ai":null,"created":"2021-03-01 03:27:05","updated":"2026-01-21 03:45:19"},"gt_translate_keys":[{"key":"link","format":"url"}],"_links":{"self":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/30936","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/comments?post=30936"}],"version-history":[{"count":0,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/posts\/30936\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media\/22912"}],"wp:attachment":[{"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/media?parent=30936"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/categories?post=30936"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prohoster.info\/de\/wp-json\/wp\/v2\/tags?post=30936"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}