SlideShare ist ein Scribd-Unternehmen logo
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse
Hauptseminar im Sommersemester 2019
17.04.2019 – Künstliche Intelligenz, Machine Learning, Frameworks
Institut für Digital Humanities | Universität zu Köln | Prof. Dr. Øyvind Eide, Dr. Jan G. Wieners
 Machinelles Lernen (Machine Learning)
 Methoden:
 Reinforcement Learning
 Unsupervised Learning
 Supervised Learning
 (Künstliche) Neuronale Netze
 Sitzungsaufgabe
 Arbeitsaufträge zum 24.04.2019
Überblick 17.04.2019
Lektüretipp: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
Bewertungsalgorithmus
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
Manuelle Klassifikation
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
Machine Learning
Lernverfahren
 Supervised Learning – Überwachtes Lernen
 Unsupervised Learning – Unüberwachtes Lernen
 Reinforcement Learning / Verstärkendes Lernen
Reinforcement Learning
Reinforcement Learning
Reinforcement Learning
Endlicher Markov-Entscheidungsprozess
Verlauf von Entscheidungen, bei dem die
Belohnung des Agenten einzig von dem Zustand
der Umwelt und der Aktion des Agenten
abhängt. Definiert als Tupel 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 mit:
• 𝑆 = 𝑠1, 𝑠2, … , 𝑠 𝑛 : Zustandsraum, d.h. die
möglichen Zustände der Umwelt; 𝑠𝑡 ∈ 𝑆
repräsentiert den Zustand der Agentenumwelt
zum Zeitpunkt 𝑡.
Endlicher Markov-Entscheidungsprozess
Verlauf von Entscheidungen, bei dem die
Belohnung des Agenten einzig von dem Zustand
der Umwelt und der Aktion des Agenten
abhängt. Definiert als Tupel 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 :
• 𝑆 = 𝑠1, 𝑠2, … , 𝑠 𝑛 : Zustandsraum, d.h. die
möglichen Zustände der Umwelt; 𝑠𝑡 ∈ 𝑆
repräsentiert den Zustand der Agentenumwelt
zum Zeitpunkt 𝑡.
• 𝐴: Menge der Entscheidungen bzw.
Zugmöglichkeiten, die dem Agenten zu jedem
Umweltzustand 𝐴(𝑠) zur Verfügung stehen.
Endlicher Markov-Entscheidungsprozess
𝑆, 𝐴, 𝑃, 𝑅, 𝛾 :
• 𝑎 𝑡 ∈ 𝐴(𝑠𝑡): von dem Agenten ausgeführte Aktion zum
Zeitpunkt 𝑡.
• Übergangsfunktion 𝑃 𝑠, 𝑎, 𝑠′
: führt die Umwelt in ihrem
Zustand 𝑠 aufgrund der Handlung 𝑎 des Agenten zu
einem neuen möglichen Nachfolgezustand 𝑠′.
• 𝑅(𝑠, 𝑎, 𝑠′
): Belohnungsfunktion, Feedback, das der Agent
aufgrund seiner Handlung erhält.
• Diskontierungsfaktor 𝛾 mit 0 ≤ 𝛾 ≤ 1 lässt sich dazu
verwenden, um das Lernverhalten des Agenten
feinzujustieren. Dient dazu, künftige Belohnungen
gegenüber zeitnahen Belohnungen abzuschwächen.
𝜋∗
(𝑠) → 𝑎∗
|𝑠
Entscheidungsbäume, Monte Carlo Simulation
Monte Carlo Spielbaumsuche
Unsupervised Learning vs.
Supervised Learning
https://www.youtube.com/watch?v=cfj6yaYE86U
Künstliche Neuronale Netze
Künstliches Neuronales Netz (KNN)
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
Neuron, Aktivierungsfunktionen
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
/
Arbeitsaufträge 17.04.2019
 Diskutieren Sie in Ihrer Gruppe einen sinnvollen
Anwendungsfall für KI / Machine Learning und die
Analyse von Comics / Graphic Novels.
 Entwickeln Sie in Ihrer Gruppe eine Projektidee:
 Womit möchten Sie sich beschäftigen?
 Welche Forschungsfragen möchten Sie fokussieren?
Arbeitsaufträge zum 24.04.2019
 Lesen Sie die folgenden Kapitel in ix Developer (Winter
2018): „Machine Learning. Verstehen, verwenden,
verifizieren“:
 Marcel Tilly: „Künstliche neuronale Netze in Theorie und Praxis
– Das Gehirn des Rechners“ (S. 16-20)
 Marcel Tilly: „ Am Anfang war das Neuron“ (S. 21-23)
 Sara Bertram: „Ene, mene, muh –und raus bist du“ (S. 52-56)
 Entscheiden Sie sich für ein Machine-Learning
Framework (z.B. TensorFlow, Keras, etc.)
 Installieren Sie Ihr Framework und experimentieren Sie
anhand der Tutorials.
 Bereiten Sie eine kurze Präsentation über Ihre
Projektidee vor.

Weitere ähnliche Inhalte

Mehr von Institute for Digital Humanities, University of Cologne

Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompressionBit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-webBit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-web
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-iiBit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikationBit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conwayBit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatikBit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmenBit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturenBit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischungBit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischung
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblickBit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung IIBit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung IBit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: Entwurfsmuster
Bit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: EntwurfsmusterBit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: Entwurfsmuster
Bit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: Entwurfsmuster
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-10_Programmiersprachen
Bit wisem 2015-wieners-sitzung-10_ProgrammiersprachenBit wisem 2015-wieners-sitzung-10_Programmiersprachen
Bit wisem 2015-wieners-sitzung-10_Programmiersprachen
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-09_Software-Entwicklung
Bit wisem 2015-wieners-sitzung-09_Software-EntwicklungBit wisem 2015-wieners-sitzung-09_Software-Entwicklung
Bit wisem 2015-wieners-sitzung-09_Software-Entwicklung
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...
Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...
Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen Gesetzen
Bit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen GesetzenBit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen Gesetzen
Bit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen Gesetzen
Institute for Digital Humanities, University of Cologne
 
Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...
Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...
Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...
Institute for Digital Humanities, University of Cologne
 
Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...
Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...
Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...
Institute for Digital Humanities, University of Cologne
 
Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...
Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...
Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...
Institute for Digital Humanities, University of Cologne
 

Mehr von Institute for Digital Humanities, University of Cologne (20)

Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompressionBit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
 
Bit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-webBit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-web
 
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-iiBit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
 
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikationBit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
 
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conwayBit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
 
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatikBit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
 
Bit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmenBit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmen
 
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturenBit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
 
Bit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischungBit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischung
 
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblickBit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblick
 
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung IIBit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
 
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung IBit wisem 2015-wieners-sitzung-12_Zusammenfassung I
Bit wisem 2015-wieners-sitzung-12_Zusammenfassung I
 
Bit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: Entwurfsmuster
Bit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: EntwurfsmusterBit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: Entwurfsmuster
Bit wisem 2015-wieners-sitzung-11_Software-Entwicklung II: Entwurfsmuster
 
Bit wisem 2015-wieners-sitzung-10_Programmiersprachen
Bit wisem 2015-wieners-sitzung-10_ProgrammiersprachenBit wisem 2015-wieners-sitzung-10_Programmiersprachen
Bit wisem 2015-wieners-sitzung-10_Programmiersprachen
 
Bit wisem 2015-wieners-sitzung-09_Software-Entwicklung
Bit wisem 2015-wieners-sitzung-09_Software-EntwicklungBit wisem 2015-wieners-sitzung-09_Software-Entwicklung
Bit wisem 2015-wieners-sitzung-09_Software-Entwicklung
 
Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...
Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...
Bit wisem 2015-wieners-sitzung-08_Betriebssysteme: Metaphern, Datei- und Ress...
 
Bit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen Gesetzen
Bit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen GesetzenBit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen Gesetzen
Bit wisem 2015-wieners-sitzung-08_Hausaufgaben zu den De Morganschen Gesetzen
 
Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...
Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...
Basisinformationstechnologie I WiSem 2015 / 2016 | 07_Rechnertechnologie III:...
 
Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...
Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...
Archäoinformatik II, Wintersemester 2015 / 2016 -- User stories und User Stor...
 
Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...
Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...
Basisinformationstechnologie I WiSem 2015 / 2016 | 06_Rechnertechnologie II: ...
 

Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | Machine Learning

  • 1. Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse Hauptseminar im Sommersemester 2019 17.04.2019 – Künstliche Intelligenz, Machine Learning, Frameworks Institut für Digital Humanities | Universität zu Köln | Prof. Dr. Øyvind Eide, Dr. Jan G. Wieners
  • 2.  Machinelles Lernen (Machine Learning)  Methoden:  Reinforcement Learning  Unsupervised Learning  Supervised Learning  (Künstliche) Neuronale Netze  Sitzungsaufgabe  Arbeitsaufträge zum 24.04.2019 Überblick 17.04.2019
  • 3. Lektüretipp: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 4. Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 5. Bewertungsalgorithmus Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 6. Manuelle Klassifikation Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 8. Lernverfahren  Supervised Learning – Überwachtes Lernen  Unsupervised Learning – Unüberwachtes Lernen  Reinforcement Learning / Verstärkendes Lernen
  • 12. Endlicher Markov-Entscheidungsprozess Verlauf von Entscheidungen, bei dem die Belohnung des Agenten einzig von dem Zustand der Umwelt und der Aktion des Agenten abhängt. Definiert als Tupel 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 mit: • 𝑆 = 𝑠1, 𝑠2, … , 𝑠 𝑛 : Zustandsraum, d.h. die möglichen Zustände der Umwelt; 𝑠𝑡 ∈ 𝑆 repräsentiert den Zustand der Agentenumwelt zum Zeitpunkt 𝑡.
  • 13. Endlicher Markov-Entscheidungsprozess Verlauf von Entscheidungen, bei dem die Belohnung des Agenten einzig von dem Zustand der Umwelt und der Aktion des Agenten abhängt. Definiert als Tupel 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 : • 𝑆 = 𝑠1, 𝑠2, … , 𝑠 𝑛 : Zustandsraum, d.h. die möglichen Zustände der Umwelt; 𝑠𝑡 ∈ 𝑆 repräsentiert den Zustand der Agentenumwelt zum Zeitpunkt 𝑡. • 𝐴: Menge der Entscheidungen bzw. Zugmöglichkeiten, die dem Agenten zu jedem Umweltzustand 𝐴(𝑠) zur Verfügung stehen.
  • 14. Endlicher Markov-Entscheidungsprozess 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 : • 𝑎 𝑡 ∈ 𝐴(𝑠𝑡): von dem Agenten ausgeführte Aktion zum Zeitpunkt 𝑡. • Übergangsfunktion 𝑃 𝑠, 𝑎, 𝑠′ : führt die Umwelt in ihrem Zustand 𝑠 aufgrund der Handlung 𝑎 des Agenten zu einem neuen möglichen Nachfolgezustand 𝑠′. • 𝑅(𝑠, 𝑎, 𝑠′ ): Belohnungsfunktion, Feedback, das der Agent aufgrund seiner Handlung erhält. • Diskontierungsfaktor 𝛾 mit 0 ≤ 𝛾 ≤ 1 lässt sich dazu verwenden, um das Lernverhalten des Agenten feinzujustieren. Dient dazu, künftige Belohnungen gegenüber zeitnahen Belohnungen abzuschwächen.
  • 16.
  • 17.
  • 18.
  • 19.
  • 21.
  • 26. Künstliches Neuronales Netz (KNN) Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 27. Neuron, Aktivierungsfunktionen Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 28. Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.
  • 29. /
  • 30. Arbeitsaufträge 17.04.2019  Diskutieren Sie in Ihrer Gruppe einen sinnvollen Anwendungsfall für KI / Machine Learning und die Analyse von Comics / Graphic Novels.  Entwickeln Sie in Ihrer Gruppe eine Projektidee:  Womit möchten Sie sich beschäftigen?  Welche Forschungsfragen möchten Sie fokussieren?
  • 31. Arbeitsaufträge zum 24.04.2019  Lesen Sie die folgenden Kapitel in ix Developer (Winter 2018): „Machine Learning. Verstehen, verwenden, verifizieren“:  Marcel Tilly: „Künstliche neuronale Netze in Theorie und Praxis – Das Gehirn des Rechners“ (S. 16-20)  Marcel Tilly: „ Am Anfang war das Neuron“ (S. 21-23)  Sara Bertram: „Ene, mene, muh –und raus bist du“ (S. 52-56)  Entscheiden Sie sich für ein Machine-Learning Framework (z.B. TensorFlow, Keras, etc.)  Installieren Sie Ihr Framework und experimentieren Sie anhand der Tutorials.  Bereiten Sie eine kurze Präsentation über Ihre Projektidee vor.