Kapitel 1 und 2

Was ist Maschinelles Lernen?

Lernen aus Daten statt vorgefertigter Algorithmen zur Lösung eines Problems.

Teilgebiete Informatik

Außen nach Innen:

• Informatik

• Künstliche Intelligenz

• Machine Learning

• Deep Learning (größte Fortschritte)

Was ist das Moore‘sche Gesetz?

• alle 18 Monate verdoppelt sich die Rechnerleistung

• Alle 10 Jahre nimmt die Leistung um einen Faktor 100 zu.

Klassischer Ansatz von Deep Learning

• Regelbasierte Programmierung

• Hand-Crafted feauters (durch Programmierer)

Erfolg von Deep Learning basiert auf

• Verbesserte Algorithmen und Methoden

• Erheblich größere Verfügbarkeit von Rechenleistung

• Erheblich größere Verfügbarkeit von Traningsdaten

Was ist Deep Learning?

Maschinelles Lernen mit tiefen künstlichen und neuronalen Netzen.

Ansatz: Training und Anwendung (train and deploy)

Was ist Narrow AI?

Systeme der KI, die auf sehr eng begrenzten Aufgabenbereich beschränkt sind. Siri, Google Übersetzer

Artificial general Intelligence?

Systeme der KI, die über alle (Menschen mögliche) und geistigen Fertigkeiten verfügen. Roboter..

Arten von Machine Learning Systemen

• Supervised Learning (überwacht)

Lernen auf Basis von Eingabe Daten und den typischerweise von Mensch erzeugten Antworten. Antworten heißen Labels. „Gelabelte Daten“. Ziel Vorhersage richtige Lösung.

• Un-supervised Learning

Lernen auf Basis von Eingabe-Daten, aber keine Labels. Erlernt werden Gruppierungen (Cluster) und statistische Verteilungen von Daten

(Gibt auch semi-supervised Learning und Self-supervised learning)

Beispiele Supervised Learning

• Email → Spam ja oder nein - richtige Antwort liegt als Label vor

• Wie bezahlt Kunde bei online Kauf? → Kreditkarte/ Vorlasse? Kunden- Datensätze alter, Schufa, bestellverhalten und Einschätzung als Label

• Welches Objekt auf Bild? → Bild mit Richtiger Lösung als Label

Aufgaben Supervised Learning

• Klassifikationen

Erlernen der Vorhersage zu welcher Klasse neuer Datenpunkt gehört

• Regression

Vorhersage eines numerischen Zielwertes

Wichtige Algorithmen Supervised Learning

• k-nächste Nachbarn

• Lineare Regression

• Logistische Regression

• Support Vector Machines

• Entscheidungsbäume und Random-Forests

• Neuronale Netzwerke

Aufgaben Unsupervised Learning

Keine Label - System hat keine Anleitung

• Clustering

Erlernen von auftretenden Gruppierungen (Cluster) im Datenraum.

Bsp. Erlernen von Kundensegmenten in Online-Shop

• Dimensionsreduktion

Vorhersage niedrig-dimensionaler Unterbereiche des Datenraums. Für Analyse oder Visualisierung genutzt.

Wichtige Algorithmen unsupervised Learning

Clustering

• k-Means

• Expectation Maximization

Dimensionsreduktion

• Hauptkomponentenanalyse (Principal Component Analysis)

• Kernel PCA

• At-stochastic Neighborhood Embedding

Reinforcement Learning

• Maschinelles Lernen

• Selbstständig Strategie erlernen, um erhaltene Belohnungen zu maximieren.

• Belohnung kann auch negativ sein.

• Bsp: Lernen des Spiels Atari anhand des Punktestandes