Diese Präsentation wurde erfolgreich gemeldet.
Die SlideShare-Präsentation wird heruntergeladen. ×

Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning

Ad

Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 1 | 48
Projekte. Beratung. Spezialisten.
Mehr Wisse...

Ad

Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 2 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendung...

Ad

Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 3 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendung...

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Ad

Hier ansehen

1 von 66 Anzeige
1 von 66 Anzeige

Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning

Herunterladen, um offline zu lesen

Mit den passenden Algorithmen lassen sich aus Daten Erkenntnisse, Muster und Schlüsse gewinnen. Data Scientists steigen tief in die Welt der Daten und Algorithmen ein und entwerfen die zum Anwendungsfall passende Lösung.

Auch Führungskräfte sollten ein Grundwissen über die wichtigsten Begriffe und Zusammenhänge der Welt der Data Science haben.

Mit den passenden Algorithmen lassen sich aus Daten Erkenntnisse, Muster und Schlüsse gewinnen. Data Scientists steigen tief in die Welt der Daten und Algorithmen ein und entwerfen die zum Anwendungsfall passende Lösung.

Auch Führungskräfte sollten ein Grundwissen über die wichtigsten Begriffe und Zusammenhänge der Welt der Data Science haben.

Anzeige
Anzeige

Weitere Verwandte Inhalte

Weitere von IKS Gesellschaft für Informations- und Kommunikationssysteme mbH (20)

Anzeige

Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning

  1. 1. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 1 | 48 Projekte. Beratung. Spezialisten. Mehr Wissen aus Daten IKS-Thementag 24.09.2019 Autor: Martin Gossen Möglichkeiten und Grenzen des Machine Learning
  2. 2. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 2 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen
  3. 3. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 3 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  4. 4. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 4 | 48 Was ist Wissen? Aktion Wissen Information Daten Zeichen Anwenden In Beziehung setzen Verstehen im Kontext Erkennen Überweisung stoppen. Hr. K. kontaktieren. H, K, R, 0, 0, 0, 5, € Ungewöhnlich hoher Betrag für Hr. K. (bisher nie mehr als 1.000 €). Hr. K. hat 5.000 € überwiesen. HR K 5000 € Training Lernen nach Aamodt und Nygård 1995 (verändert) Fraud "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  5. 5. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 5 | 48 Was ist Wissen? Wissen Erkenntnisse, Muster und Schlüsse, die aus der Verknüpfung von Informationen gewonnen werden und sinnvolles Handeln ermöglichen (…um ein bestimmtes Ziel zu erreichen) …wird i.d.R. durch Training erlernt Arbeitsdefinition "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  6. 6. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 6 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  7. 7. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 7 | 48 Begriffe Deep Learning Neuronales Netz Maschinelles Lernen (ML) Künstliche Intelligenz (KI, AI) Expertensysteme  Regeln BI, Data Mining  Statistik (Beziehungen finden) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  8. 8. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 8 | 48 Begriffe Deep Learning Neuronales Netz Maschinelles Lernen (ML) Künstliche Intelligenz (KI, AI) Expertensysteme  Regeln BI, Data Mining  Statistik (Beziehungen finden) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  9. 9. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 9 | 48 Maschinelles Lernen Maschinen, die lernen (durch Training Wissen aneignen) Anwendung wissenschaftlich fundierter Methoden, Prozesse, Algorithmen und Systeme Vorgehen 1. Das Problem verstehen 2. Daten besorgen 3. Daten vorbereiten 4. Algorithmus auswählen 5. Modell trainieren 6. Bewerten 7. Anwenden "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  10. 10. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 10 | 48 Maschinelles Lernen Algorithmen K-Means K-Nearest-Neighbors Regression (linear, polynomial) Regression (logistisch) Decision Tree, Random Forest Naive Bayes Hidden-Markov-Model Hauptkomponentenanalyse Support Vector Machine Learning Vector Quantization Kombinierte Modelle Neuronale Netze "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  11. 11. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 11 | 48 Maschinelles Lernen Einteilung der Algorithmen 1) Art des Ergebnisses a) Regression: Wie viel(e)? b) Klassifikation: Ist dies A oder B (oder C)? c) Clustering und Anomalie-Erkennung: Wie gehört das zusammen? d) Strategieentscheidung: Was ist zu tun? e) Sonderfälle: z.B. wie kann das vereinfacht werden? 2) Trainingsmethode a) unbeaufsichtigt: anhand vorgegebener Regeln b) beaufsichtigt: aus Beispielen c) bestärkend: über Belohnungen Fraud Fraud "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  12. 12. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 12 | 48 Maschinelles Lernen Beispiel 1: K-Nearest-Neighbors "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  13. 13. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 13 | 48 Maschinelles Lernen Beispiel 2: Decision Tree Fraud "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  14. 14. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 14 | 48 Maschinelles Lernen Beispiel 3: Neuronales Netz (beaufsichtigt) Betrag [€] Bish. Max.-betrag [€] Zeitpunkt Empfängerland Betrug? 45,30 800,00 Di, 12.03.2019 17:04 Deutschland Nein 270,00 800,00 Di, 12.03.2019 17:07 Deutschland Nein 14,55 800,00 Do, 14.03.2019 12:01 Frankreich Nein 2.500,00 800,00 So, 17.03.2019 3:04 Kolumbien Ja 183,22 800,00 Mo, 18.03.2019 9:56 Deutschland Nein Fraud "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  15. 15. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 15 | 48 Begriffe Deep Learning Neuronales Netz Maschinelles Lernen (ML) Künstliche Intelligenz (KI, AI) Expertensysteme  Regeln BI, Data Mining  Statistik (Beziehungen finden) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  16. 16. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 16 | 48 Neuronales Netz "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  17. 17. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 17 | 48 Begriffe Deep Learning Neuronales Netz Maschinelles Lernen (ML) Künstliche Intelligenz (KI, AI) Expertensysteme  Regeln BI, Data Mining  Statistik (Beziehungen finden) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  18. 18. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 18 | 48 Deep Mind Alphafold faltet Proteine Deep Mind Alpha Go zerlegt Go-Community Deep Learning "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  19. 19. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 19 | 48 Deep Learning "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  20. 20. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 20 | 48 Eigenheiten der Algorithmen Algorithmus Genauig- keit Geschw. des Trainings Daten- menge Speicher- verbrauch Transpa- renz Regression    Decision Tree    Random Forest    Neuronales Netz     Oft müssen mehrere Algorithmen ausprobiert werden, um den optimalen Algorithmus zu finden. "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  21. 21. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 21 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  22. 22. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 22 | 48 Einsatz in Unternehmen Microsoft & EY (2019) 31%Produktiv 62%Planung / Pilot 7%Nicht begonnen https://pulse.microsoft.com/de-at/business-leadership-de-at/na/fa1-articial-intelligence-report-ein-ueberblick "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  23. 23. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 23 | 48 Anwendungsfälle nach Abteilung Unternehmensführung / Marketing / Vertrieb  Prognose Unternehmenskennzahlen (z. B. Absatz)  Operative Effizienz (Echtzeit-Verkaufszahlen)  Prognose Konsumentenverhalten (Kaufverhalten, Reklamationen)  Empfehlungsdienste  Preisoptimierung / personalisierte Preise Support  Prognose Supportaufkommen  Fallkategorisierung  Stimmungsanalyse  Chatbots "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  24. 24. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 24 | 48 Anwendungsfälle nach Abteilung Produktion / Logistik  Ausfall- / Wartungsprognose  Erkennung struktureller Defekte  Optimierung von Transport, Lagerung, Inventur IT  Archivierung (Active Archive)  Malware-Erkennung  Spam-Erkennung  Erkennung von Cyberangriffen  Datenkompression, -vereinfachung  Finden von Programmierfehlern  Testautomatisierung "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  25. 25. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 25 | 48 Anwendungsfälle nach Branche Banken / Finanzinstitute  Betrugsfälle  Einschätzung der Kreditwürdigkeit  Börsenentwicklung Versicherungen  Prognose eintretender Versicherungsfälle  Individuelle Risikovoraussage (z.B. Fahrstilbewertung)  Betrugsfälle Fraud "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  26. 26. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 26 | 48 Anwendungsfälle nach Branche Verkehr / Umwelt  Regelsysteme  Frühwarnsysteme  Wettervorhersage  Bilden von Verhaltensstrategien (Roboter) Gesundheit  Med. Diagnosen (z.B. Tumorerkennung)  Personalisierte Medizin / Medikamente  Ausbreitung von Epidemien "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  27. 27. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 27 | 48 Anwendungsfälle allgemein Identifikationssysteme  Objekterkennung  Gesichtserkennung  Spracherkennung  Handschrifterkennung Textverständnis Kreative Arbeiten thispersondoesnotexist.com "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  28. 28. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 28 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  29. 29. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 29 | 48 Daten selbst beschaffen Datenbanken / DWH  Direktzugriff und Reporting-Tools Dateisysteme Geschäftsanwendungen  API  ERP  CRM Archivsysteme  API  elektronische Dokumente (pdf, doc, ppt)  gescannte Dokumente  E-Mail-Korrespondenz  Bilder, Videos Fraud "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  30. 30. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 30 | 48 Daten selbst beschaffen Nutzungsprotokolle  Geräte  Programme / Apps  Kredit- / Debitkarten  Kunden- / Bonuskarten Aktivitätsprotokolle (Logs)  Software-Anwendungen  Netzwerk  Datenbanken Soziale Medien  API Webseiten  Web-Scraping "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  31. 31. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 31 | 48 Daten selbst beschaffen Sensoren (Kamera, Mikrofon, Temperatur, Beschleunigung, Luftdruck, Vibration, Stromstärke, Spannung, …)  Mobilgeräte  Wearables  Messgeräte  Überwachungssysteme  Smart Home  Fahrzeuge  Produktionsketten  GPS / Lokalisierungsdienste Internet of Things "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  32. 32. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 32 | 48 Daten von Drittanbietern Betreiber sozialer Medien Statistische Ämter des Bundes und der Länder, OECD Meinungsforschungsinstitute Börsen Mozilla  Sprachdatensammlung „Common Voice“ Öffentliche Trainingsdaten "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  33. 33. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 33 | 48 Daten von Drittanbietern „Data as a Service“ (DaaS) Oracle DaaS (Auswahl) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  34. 34. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 34 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  35. 35. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 35 | 48 Know-how Generelles Know-how  Informatik, Statistik  Machine Learning: Prinzipien, Algorithmen  Unstrukturierte Daten: Video, Audio, Texte, … Big-Data-Infrastruktur "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen Programmiersprachen  R  Python  SQL  (Java, C/C++, C#) Cloud
  36. 36. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 36 | 48 Werkzeuge Entwickler-Werkzeuge  GNU R  Caffe  Deeplearning4j  Keras  TensorFlow  PyTorch  Microsoft Cognitive Toolkit  ML.NET  Chainer  Theano  MATLAB  … Datenvisualisierung  Ggplot  d3.js  Matplottlib  Tableau  gapminder.org  … en.wikipedia.org/wiki/Comparison_of_deep_learning_software "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  37. 37. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 37 | 48 Know-how Vorgehen 1. Das Problem verstehen 2. Daten beschaffen 3. Daten vorbereiten 4. Algorithmus auswählen 5. Modell trainieren 6. Bewerten 7. Anwenden "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen Hyperparameter festlegen Merkmale finden (Feature Engineering) Normalisierung (Feature Scaling) Fehlerkorrektur Trainingsdaten vs. Testdaten • Architecture (NN) • Dropout • Network Weight Initialization • Activation function • Learning rate • Momentum • Number of epochs • Batch size
  38. 38. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 38 | 48 Automatisierung Vorgehen 1. Das Problem verstehen 2. Daten beschaffen 3. Daten vorbereiten 4. Algorithmus auswählen 5. Modell trainieren 6. Bewerten 7. Anwenden Cloud AutoML Databricks Labs AutoML kontinuierliches Lernen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  39. 39. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 39 | 48 AutoML-Beispiel "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  40. 40. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 40 | 48 Inspektion Beobachtung von Neuronen in versteckten Schichten  zeitliche Entwicklung  Korrelationen zwischen Eingabe und Zustand „Data mining“ in neuronalen Netzen Beispiele:  ConX  TensorBoard  DeepBase "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  41. 41. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 41 | 48 Agenda „Wissen“ Technische Ansätze Anwendungsfälle Datenquellen Know-how Grenzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  42. 42. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 42 | 48 Grenzen des maschinellen Lernens Face-Swap "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  43. 43. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 43 | 48 Grenzen des maschinellen Lernens Face-Swap "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  44. 44. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 44 | 48 Grenzen des maschinellen Lernens Subtile Manipulation "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  45. 45. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 45 | 48 Grenzen des maschinellen Lernens Abhängig von Zugang und Qualität der Daten  Unvollständige Daten  Ungenaue Daten  Falsche Daten (z.B. Messfehler)  Nicht-repräsentative Daten  Unausgewogene Daten Durchführung nicht trivial  Trainingsdaten müssen vorbereitet werden (z.B. Bereinigung)  Verschiedene Algorithmen möglich  Qualität muss bewertet werden  Dedizierte Tools Fraud Overfitting, underfitting AutoML-Tools "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  46. 46. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 46 | 48 Grenzen des maschinellen Lernens Entscheidungsprozesse in tiefen neuronalen Netzen nicht überschaubar  Unklar, ob globales Optimum gefunden wurde  Möglichkeiten und Limitierungen nicht ersichtlich  Entscheidungskriterien können nicht offengelegt werden  rechtliche Probleme? Potentiell ressourcenintensiv  Prozessor  Speicher  Netzwerk leistungsfähige Systeme, Cloud  Inspektionstools "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  47. 47. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 47 | 48 Grenzen des maschinellen Lernens Vorschläge Klein anfangen („ausreichend viele Daten“) Möglichst vollständige, repräsentative Daten nutzen Grundwissen im Bereich Data Science aufbauen AutoML nutzen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  48. 48. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 48 | 48 Vielen Dank! Fragen? "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  49. 49. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 49 | 48 Weiterführende Literatur Fuchs-Kittowski K: Wissens-Ko-Produktion – Organisationsinformatik http://www.wissenschaftsforschung.de/JB00_9-88.pdf Aamodt A, Nygård M (1995): Different roles and mutual dependencies of data, information, and knowledge – An AI perspective on their integration Data and Knowledge Engineering, Elsevier, Bd. 16, Nr. 3, S. 191ff. Schulz HJ, Nocke T: Maschinelle Datenanalyse im Informationszeitalter – Können oder müssen wir ihr vertrauen? https://www.pik-potsdam.de/members/nocke/.personal/Dispositiv05.pdf "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  50. 50. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 50 | 48 Referenzen A Tour of The Top 10 Algorithms for Machine Learning Newbies https://towardsdatascience.com/a-tour-of-the-top-10-algorithms-for-machine-learning-newbies- dde4edffae11?gi=895089bb957e The 10 Algorithms Machine Learning Engineers Need to Know https://www.kdnuggets.com/2016/08/10-algorithms-machine-learning-engineers.html Essentials of Machine Learning Algorithms https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/ Winfwiki: Überblick Ansätze des Deep Learning http://winfwiki.wi-fom.de/index.php/%C3%9Cberblick_Ans%C3%A4tze_des_Deep_Learning Netzgespinste http://www.heise.de/ct/ausgabe/2016-6-Die-Mathematik-neuronaler-Netze-einfache-Mechanismen-komplexe-Konstruktion- 3120565.html Machine learning https://en.wikipedia.org/wiki/Machine_learning Trainingsdaten https://en.wikipedia.org/wiki/List_of_datasets_for_machine_learning_research Detecting Financial Fraud Using Machine Learning https://towardsdatascience.com/detecting-financial-fraud-using-machine-learning-three-ways-of-winning-the-war-against- imbalanced-a03f8815cce9 Mozilla will mit Machine-Learning Coding-Fehler finden https://www.golem.de/news/entwicklung-mozilla-will-mit-machine-learning-coding-fehler-finden-1902-139372.html Artificial Intelligence in Logistics, DHL https://www.logistics.dhl/content/dam/dhl/global/core/documents/pdf/glo-ai-in-logistics-white-paper.pdf "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  51. 51. WWW.IKS-GMBH.COM "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  52. 52. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 52 | 48 Maschinelles Lernen Beispiel 1 : Regression (linear) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  53. 53. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 53 | 48 Neuron w1 w2 wn "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  54. 54. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 54 | 48 Neuronales Netz Eingabeschicht Versteckte Schicht Ausgabeschicht "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  55. 55. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 55 | 48 Künstliche Intelligenz Kognitive Intelligenz (Aufnahme und Erlernen von Wissen, Kombinieren, Schlussfolgern) Sensomotorische Intelligenz (Wahrnehmung und physische Interaktion) Emotionale Intelligenz („Mitgefühl“) Soziale Intelligenz („Teamgeist“) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  56. 56. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 56 | 48 Exkurs Maschinelles Lernen und Data Mining Machine Learning und Data Mining verwenden oft die gleichen Methoden und überschneiden sich signifikant Machine Learning Vorhersage/Prognose, basierend auf bekannten Eigenschaften, die aus den Trainingsdaten gelernt wurden Fähigkeit, bekanntes Wissen zu reproduzieren setzt auch Data Mining-Methoden als "unbeaufsichtigtes Lernen" oder als Vorverarbeitungsschritt zur Verbesserung der Lerngenauigkeit ein Data Mining Explorative Suche = Entdeckung von (bisher) unbekannten Wissens in den Daten verwendet auch Lernmethoden des Machine Learning "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  57. 57. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 57 | 48 Exkurs Maschinelles Lernen und Data Mining Typische Aufgabenstellungen des Data-Mining Identifizierung von ungewöhnlichen Daten (Ausreißer, Fehler, Änderungen) Clusteranalyse: Gruppierung von Objekten aufgrund von Ähnlichkeiten Klassifikation: bisher nicht Klassen zugeordnete Elemente werden bestehenden Klassen zugeordnet Assoziationsanalyse: Identifizierung von Zusammenhängen und Abhängigkeiten in den Daten in Form von Regeln wie „Aus A und B folgt normalerweise C“. Regressionsanalyse: Identifizierung von Beziehungen zwischen (mehreren) abhängigen und unabhängigen Variablen Zusammenfassung: Reduktion des Datensatzes in eine kompaktere Beschreibung ohne wesentlichen Informationsverlust "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  58. 58. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 58 | 48 Beispiel: Betrugserkennung Datananalyse "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  59. 59. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 59 | 48 Beispiel: Betrugserkennung "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  60. 60. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 60 | 48 Beispiel: Betrugserkennung "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  61. 61. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 61 | 48 Beispiel: Betrugserkennung Anwendung: Random Forest (geeignet für große Mengen- unterschiede der beiden Klassen) "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  62. 62. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 62 | 48 Soziale Implikationen 4 Todesfälle durch selbstfahrende PKW Risikobewertung für kriminelles Verhalten  voreingenommen gegenüber Schwarzen Google: Bilderkennung von Schwarzen als Gorillas Microsoft: Chatbot, der von Twitter gelernt hatte, nahm schnell rassistische und sexistische Sprache auf Befürchtung: Ablehnung von Bewerbern Befürchtung: Med. Diagnose steht hinter Profit zurück "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  63. 63. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 63 | 48 Maschinelles Lernen "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  64. 64. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 64 | 48 "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  65. 65. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 65 | 48 Deep Learning "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
  66. 66. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 66 | 48 "Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen

×