Künstliche Intelligenz - Maschinelles Lernen - Grundlagen

1.076 Aufrufe

Veröffentlicht am

Künstliche Intelligenz - Einführung zu Maschinellem Lernen [Vortrag]

Veröffentlicht in: Technologie
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.076
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
19
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Künstliche Intelligenz - Maschinelles Lernen - Grundlagen

  1. 1. Definition  Maschinelles Lernen ist der elementare Bereich künstlicher Intelligenz  Es ist die Konstruktion von Systemen die aus Daten selbstständig lernen können “Field of study that gives computers the ability to learn without being explicitly programmed” ~ Arthur Samuel, 1959
  2. 2. Anwendungsbeispiele Solche Lernsysteme werden benutzt für:  Spam-filter für Emails (zB yahoo-mail)  Texterkennung (zB Handyhandschrifterkennung)  Spracherkennung (zB Telefonroboter)  Diagnoseverfahren (zB Krebs-wahrscheinlichkeit)  Google (zB die Nachrichten-kategorisierung auf News)  Viele weitere Bereiche […]
  3. 3. Typen der Lernalgorithmen  Überwachtes Lernen (supervised learning) Lernt aus gegeben „richtigen“ Ein & Ausgaben zB „Bei einer Person mit dem Alter 95 (input) war Krebs vorhanden (richtiger output)“  Unüberwachtes Lernen (unsupervised learning) Findet Strukturen in Daten. Es werden keine „richtigen“ Antworten für die Inputs gegeben zB „Es gibt eine krebskranke Person mit einem Alter von 95 Jahren und einem Haustier“ (Finde Zusammenhänge!)  Bestärkendes Lernen (reinforcement learning) Lernen durch Belohnung/Bestrafung zB „Gegen eine Wand fahren ist schlecht, schnell fahren gut“
  4. 4. Typen der Ausgabe  Regression: „durchgehende“ Ausgabe Für jeden Input liefert das Modell einen durchgehenden Wert zB für das Voraussagen eines Wohnungspreises nach Wohnungsgröße (Bei überwachtem Lernen)
  5. 5.  Classification: bestimmte Ausgabe Für jeden Input liefert das Modell einen von speziellen Werten zB für das Erkennen ob eine Email Spam ist (1) oder nicht (0)
  6. 6. Funktionsweise des Überwachten Lernens
  7. 7. Das Training Set Besteht (bei überwachtem Lernen) aus den Daten durch die gelernt werden soll  zB eine Excel Tabelle mit 250 Spalten mit je einer Zeile pro Wohnung (Trainingsbeispiel)  und 3 Spalten, wobei die 1. Spalte die Wohnungsgrößen (x1) beinhaltet, die 2. die Anzahl von Badezimmern (x2) und die 3. den Wohnungspreis (y - die „richtige“ Antwort)  Das Training Set sollte so angepasst sein dass alle Trainingsbeispiele sich in ähnlichem Zahlenbereich befinden. Dazu verwendet man „Feature Scaling“ und  „Mean Normalization“.
  8. 8. Der Lernalgorithmus Der Lernalgorithmus erstellt die bestmögliche Hypothese anhand des gegebenen Training Sets  Mit der „Cost-function“ (J) findet man heraus wie „gut“ eine Hypothese ist (anhand des Training Sets). Hierbei wird der Abstand der Voraussagen zu den tatsächlichen „richtigen Antworten“ gemessen.  Mit dem Lernalgorithmus probiert man diese zu optimieren. Hierbei verändert man die Hypothese und je niedriger das Ergebnis der Cost-function desto besser die Hypothese  Ein vielbenutzter Lernalgorithmus ist Gradient Descent
  9. 9. Die Hypothese Die Hypothese ist das „fertige, befragbare“ Modell. Man liefert Daten (beispielsweise in Form einer Excel Tabelle) und bekommt die gewünschte Antwort (zB einen voraussichtlichen Wohnungspreis)  Form einer Beispielhypothese: hΘ(x) = Θ0 + Θ1 * x  Hierbei ist x die gelieferten Daten  Die Θ („theta“) sind die „Knöpfe“ mit denen die Hypothese angepasst wird. Diese werden mittels Gradient Descent verändert um die beste Hypothese zu liefern.
  10. 10. Gradient Descent Hiermit passt man die (thetas der) Hypothese schrittweise an.  Erst initialisiert man die thetas mit einem Wert (zB 0)  Dann legt man die Schrittgröße (α) fest (zB 0.1)  Dann passt man die thetas schrittweise an bis die Cost-function den besten (kleinsten) Wert liefert.
  11. 11.  Octave ist eine gute, freie Software um dies praktisch umzusetzen  Ein guter Einstieg zu Maschinellem Lernen ist der kostenlose Kurs auf https://www.coursera.org/course/ml (auch Quelle für diese Präsentation)
  12. 12. Danke für Ihre Aufmerksamkeit

×