Recommandé
Recommandé
Contenu connexe
En vedette
En vedette (20)
Beeinflussung durch Künstliche Intelligenz
- 1. Beeinflussung durch Künstliche Intelligenz Über die Banalität der Beeinflussung und das Leben mit Algorithmen Gemälde von Sarina Walter mit freundlicher Genehmigung der Künstlerin
- 2. Die Menschen befürchten, dass Computer zu intelligent werden und die Welt erobern. Aber Computer sind zu dumm und haben die Welt bereits erobert. Kate Crawford
- 3. Über uns AMSTERDAM MACHINE LEARNING LAB UNIVERSITEIT VAN AMSTERDAM KAREN ULLRICH HENDRIK HEUER INSTITUT FÜR INFORMATIONSMANAGEMENT BREMEN UNIVERSITÄT BREMEN karenullrich.info @karen_ullrich hen-drik.de @hen_drik
- 4. Spam erkennen IMPERATIVE PROGRAMMIERUNG MASCHINELLES LERNEN if "V!agrå" in mail: return "Spam" else: return "Ham" 1. prognostiziere für viele Beispiele, ob Nachricht Spam ist 2. berechne Fehler 3. ändere Parameter, um Fehler zu verringern 4. goto 1
- 5. Brustkrebs erkennen Example: breast cancer classification Plot of two features: mean area vs. mean concave points, for two classes J. Zico Kolter, 15-388/688, Practical Data Science
- 6. Brustkrebs erkennen Linear classification example Linear classification ≡ “drawing line separating classes” J. Zico Kolter, 15-388/688, Practical Data Science
- 7. Persönlichkeitsmerkmale erkennen Weiße/r oder Afroamerikaner/in: 95% Männlich oder Weiblich: 93% Heterosexuell oder homosexuell: 88% Demokrat oder Republikaner: 85% Christlich oder muslimisch: 82% Drogenerfahrung: 65% - 73% Ehe der Eltern hat bis zum 21. Lebensjahr gehalten: 60% Kosinski et al.: Private traits and attributes are predictable from digital records of human behavior
- 8. Persönlichkeitsmerkmale erkennen Kosinski et al.: Private traits and attributes are predictable from digital records of human behavior
- 9. ProPublica: Machine Bias Verbrechen vorhersagen 3 LOW RISK 8 HIGH RISK
- 10. LOW RISK HIGH RISK X y' '
- 11. Verbrechen vorhersagen Deutschlandfunk: Algorithmen im US- Justizsystem Schicksalsmaschinen von Tom Schimmeck
- 14. Algorithmic News Curation Paul Butler: Visualizing Friendships
- 15. Algorithmic News Curation Paul Butler: Visualizing Friendships
- 16. Wieviel Vertrauen ist angebracht? Wann scheitern die Algorithmen? Gemälde von Sarina Walter mit freundlicher Genehmigung der Künstlerin
- 17. Bias der Daten Bias des Modells
- 18. Rechtschaffende 1100 Fotos aus verschiedenen Quellen des Internets. 1800 Fotos, Chinesen, 18-55, keine Gesichtshaare, Narben, Tattoos Kriminelle 700 Fotos verurteilter Krimineller, bereitgestellt durch die Polizei.
- 20. Verzerrung der Stichprobe Anzahl der Daten Melde-Bias Ausgewählte Merkmale, die ein Problem beschreiben
- 21. Bias der Daten Bias des Modells
- 22. “No Free Lunch” - Theorem Betrachtet man alle möglichen Situationen, funktioniert kein Modell besser als alle anderen. Wir müssen Annahmen machen, um Szenarien zu beschreiben und Modelle zu vereinfachen (Modell-Bias). Aber: Annahmen versagen in gewissen Situationen. Unsere Aufgabe: Annahmen benennen und überprüfen, ob sie valide sind.
- 23. Zielsetzung: Was ist Erfolg? Ziele basieren auf Annahmen Problem: Richtigkeit einer Übersetzung Wort für Wort? Paragraph für Paragraph? Synonyme?
- 24. Ziele basieren auf Annahmen Problem: Richtigkeit einer Übersetzung Satz für Satz Sätze sind unabhängig Nur das wahrscheinlichste Wort/ Phrase wird als richtig bewertet Zielsetzung: Was ist Erfolg?
- 26. Bias der Daten Bias des Modells
- 27. Aktives Lernen Human in the Loop Me Anreicherung des Datensets Algorithmus lernt durch Maschinelles Lernen Bei unsicheren Daten wird ein Experte befragt Me
- 29. Übertragendes Lernen Ziel: Aufgabe erledigen Problem: Wenige Daten Bias Ähnliche Aufgabe, die erfolgreich gelöst werden kann
- 32. Interpolieren
- 33. Extrapolieren ??
- 35. Gemälde von Sarina Walter mit freundlicher Genehmigung der Künstlerin KAREN ULLRICH karenullrich.info @karen_ullrich HENDRIK HEUER hen-drik.de @hen_drik Beeinflussung durch Künstliche Intelligenz