Als PDF, PPTX herunterladen
Hochgeladen vongezeitenraum gbr
Wie Maschinen lernen - Ein Überblick
Das Dokument gibt einen Überblick über das Thema Machine Learning (ML), das als zentrale Disziplin im Bereich der künstlichen Intelligenz gilt. Es werden verschiedene Anwendungsgebiete von ML vorgestellt, darunter Bilderkennung, Spracherkennung und Natural Language Processing, sowie die Herausforderungen und Risiken bei der Anwendung von ML-Systemen. Zusätzlich werden erste Schritte und Ressourcen empfohlen, um in das Thema einzutauchen.
Wie Maschinen lernen - Ein Überblick
- 1. Wie Maschinen Lernen Ein Überblick Dr.Christian Wiele @christian_wiele
- 2. ©2017 gezeitenraum Was istMachine Learning? 2
- 3. ©2017 gezeitenraum Machine Learningist die vorherrschende Disziplin im Bereich Künstliche Intelligenz (KI)/ artificial Intelligence (AI) 3
- 4. ©2017 gezeitenraum Machine Learning = autonomesMuster lernen und Erkennen 4
- 5. Begriffsklärung ©2017 gezeitenraum 5 Datenquelle DatenPool Wertschöpfung z.B.IoT „Big Data“ z.B. Machine Learning Deep Learning Spez. Ansatz
- 6. ©2017 gezeitenraum Warum solltensie sich mit Machine Learning beschäftigen? 6
- 7. Anwendungsgebiete ©2017 gezeitenraum Bilderkennung ➡z.B. autonomesFahren, Krebsdiagnose Spracherkennung ➡z.B. Siri Natural language processing (NLP) ➡maschinelle Übersetzung, Chat Bots Generelle Muster ➡Click Stream Analyse, Betrugserkennung, Cybersicherheit, Empfehlungssysteme 7
- 8. Ist ML mehrals ein hype? ©2017 gezeitenraum 8
- 9. KI könnte vorbeisein, bevor es beginnt ©2017 gezeitenraum 9 http://www.techzone360.com/topics/techzone/articles/2017/01/25/429101-eus-right-explanation-harmful-restriction-artificial-intelligence.htm
- 10. ©2017 gezeitenraum 95% allerEntwicklertools, Modelle und Lernmaterialien sind frei zugänglich GPU für 1€/h mietbar 10
- 11. ©2017 gezeitenraum Was hindertuns an der Beschäftigung mit Machine Learning? 11
- 12.
- 13. Öffentliche Wahrnehmung vonKI ©2017 gezeitenraum 13
- 14. ©2017 gezeitenraum Werden wirbald von übermenschlichen Maschinen dominiert? 14
- 15. ©2017 gezeitenraum Es gibtkeinerlei Hinweise, dass wir uns bald der Singularität nähern! 15
- 16. ©2017 gezeitenraum Es gibtweder ein Verständnis des menschlichen Bewusstseins, noch eine feste Definition von Intelligenz. 16
- 17. Zwei Argumente ©2017 gezeitenraum Quelle:Wikipedia 17
- 18. Zwei Argumente (cont.) ©2017gezeitenraum 18
- 19. Machine Learning: Verständnis ©2017gezeitenraum 19 ML als black box anwenden verstehen Forschung
- 20. ©2017 gezeitenraum Nun aber:Worum geht es beim Machine learning? 20
- 21. zentrale Herausforderung ©2017 gezeitenraum21 Worin Menschen gut sind Worin Maschinen gut sind (73492.232 + 2049.3827) * 883792.45
- 22. Lernansätze ©2017 gezeitenraum 22 überwachtesLernen nicht-überwachtes Lernen Banane Traube Banane X X X X X X X X X X X X X X X X X X X X X X XX X X X
- 23.
- 24.
- 25. Klassischer Programmieransatz ©2017 gezeitenraum25 If (pixel1 == … And Pixel2 == …) Then … Else IF …
- 26. Die Fruchtfliege desML: MNIST ©2017 gezeitenraum 26 55.000 handgeschriebene Ziffern 28x28 pixel
- 27. Alternativansatz: Lochmaske ©2017 gezeitenraum27 Input Lochmaske Überdeckung
- 28. Neuronales Netz: Ziffernerkennung ©2017gezeitenraum 28 Input 1 2 3 4 5 6 7 8 9 0 Outputneuronen 2 3 4 5 6 7 8 9 10 1 12 2 3 17 18 1 25 24 ……… … … verdeckte Neuronen Output
- 29. Künstliches Neuron: Innenansicht ©2017gezeitenraum 29 Logik: Ergebnis = eine Zahl Output: 1 = aktiviert 0 = nicht aktiviert
- 30. Neuronales Netz: Ziffernerkennung ©2017gezeitenraum 30 Input 1 2 3 4 5 6 7 8 9 0 Outputneuronen 2 3 4 5 6 7 8 9 10 1 12 2 3 17 18 1 25 24 ……… … … verdeckte Neuronen Output
- 31. Aktivierung ©2017 gezeitenraum 31 verdecktesNeuron 12: rot überwiegt —> feuern Input Maske / Gewichte gewichteter Input verdecktes Neuron 13: blau dominiert —> nicht feuern =X =X
- 32. Neuronales Netz: Ziffernerkennung ©2017gezeitenraum 32 Input Output-Neuronen 1 2 3 4 5 6 7 8 9 0 2 3 4 5 6 7 8 9 10 1 … 12 2 3 17 18 1 25 24 ……… … Innere-Neuronen Output
- 33. Relevante Pixelstrukturen ©2017 gezeitenraum33 Neuron 12 Neuron 18 Neuron 25
- 34. ©2017 gezeitenraum Wie lerntdas System? 34
- 35.
- 36. Ziel: Fehler minimieren ©2017gezeitenraum 36 Fehler {Parameter 1 Parameter 2
- 37. Neuronales Netz: Lernprozess ©2017gezeitenraum 37 Input Output-Neuronen 2 3 4 5 6 7 8 9 10 1 12 2 3 17 18 1 25 24 ……… … … Innere-Neuronen Output 1 2 3 4 5 6 7 8 9 0 Fehler Fehler Fehler kleine Änderung der Parameter
- 38. ©2017 gezeitenraum Welche Probleme/ Risiken gibt es bei ML-Systemen? 38
- 39. Risiken ©2017 gezeitenraum ➡Eine MLSystem kennt nur das, was es gelernt hat ➡Getroffene Entscheidungen können nicht / nur schwer nachvollzogen werden ➡Es können Zusammenhänge/Muster aufgedeckt/genutzt werden, die aus ethischer / gesellschaftlicher Sicht nicht ausgenutzt werden sollten 39
- 40. ©2017 gezeitenraum Wo fängtman am besten an? 40
- 41.
- 42.
- 43. Toolset ©2017 gezeitenraum Python ➡Theano, Tensorflow,Keras, NumPy, PyTorch … ➡Jupyter notebook Lineare Algebra Zugang zu GPU ➡AWS, Google, oder eigene Maschine … Zeit und Motivation für Experimente 43
- 44. Der machine learningexperte ©2017 gezeitenraum 44
- 45. Geschafft ©2016 gezeitenraum 45 VielenDank! Dr. Christian Wiele christian@gezeitenraum.com @christian_wiele @gezeitenraum