Wie Maschinen lernen - Ein Überblick
•
1 j'aime•939 vues
Dies ist ein Vortrag, der im Rahmen der Digitalen Woche Kiel gehalten wurde. Es geht hierbei um die Grundzüge des Machine Learnings - dem Hauptzweig der Künstlichen Intelligenz.
Recommandé
Recommandé
Contenu connexe
Similaire à Wie Maschinen lernen - Ein Überblick
Similaire à Wie Maschinen lernen - Ein Überblick (9)
Plus de gezeitenraum gbr
Plus de gezeitenraum gbr (12)
Wie Maschinen lernen - Ein Überblick
- 1. Wie Maschinen Lernen Ein Überblick Dr. Christian Wiele @christian_wiele
- 2. ©2017 gezeitenraum Was ist Machine Learning? 2
- 3. ©2017 gezeitenraum Machine Learning ist die vorherrschende Disziplin im Bereich Künstliche Intelligenz (KI)/ artificial Intelligence (AI) 3
- 4. ©2017 gezeitenraum Machine Learning = autonomes Muster 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 sollten sie sich mit Machine Learning beschäftigen? 6
- 7. Anwendungsgebiete ©2017 gezeitenraum Bilderkennung ➡z.B. autonomes Fahren, 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 mehr als ein hype? ©2017 gezeitenraum 8
- 9. KI könnte vorbei sein, 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% aller Entwicklertools, Modelle und Lernmaterialien sind frei zugänglich GPU für 1€/h mietbar 10
- 11. ©2017 gezeitenraum Was hindert uns an der Beschäftigung mit Machine Learning? 11
- 13. Öffentliche Wahrnehmung von KI ©2017 gezeitenraum 13
- 14. ©2017 gezeitenraum Werden wir bald von übermenschlichen Maschinen dominiert? 14
- 15. ©2017 gezeitenraum Es gibt keinerlei Hinweise, dass wir uns bald der Singularität nähern! 15
- 16. ©2017 gezeitenraum Es gibt weder ein Verständnis des menschlichen Bewusstseins, noch eine feste Definition von Intelligenz. 16
- 17. Zwei Argumente ©2017 gezeitenraum Quelle: Wikipedia 17
- 18. Zwei Argumente (cont.) ©2017 gezeitenraum 18
- 19. Machine Learning: Verständnis ©2017 gezeitenraum 19 ML als black box anwenden verstehen Forschung
- 20. ©2017 gezeitenraum Nun aber: Worum geht es beim Machine learning? 20
- 21. zentrale Herausforderung ©2017 gezeitenraum 21 Worin Menschen gut sind Worin Maschinen gut sind (73492.232 + 2049.3827) * 883792.45
- 22. Lernansätze ©2017 gezeitenraum 22 überwachtes Lernen 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
- 24. ©2017 gezeitenraum Wie funktioniert es? 24
- 25. Klassischer Programmieransatz ©2017 gezeitenraum 25 If (pixel1 == … And Pixel2 == …) Then … Else IF …
- 26. Die Fruchtfliege des ML: MNIST ©2017 gezeitenraum 26 55.000 handgeschriebene Ziffern 28x28 pixel
- 27. Alternativansatz: Lochmaske ©2017 gezeitenraum 27 Input Lochmaske Überdeckung
- 28. Neuronales Netz: Ziffernerkennung ©2017 gezeitenraum 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 ©2017 gezeitenraum 29 Logik: Ergebnis = eine Zahl Output: 1 = aktiviert 0 = nicht aktiviert
- 30. Neuronales Netz: Ziffernerkennung ©2017 gezeitenraum 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 verdecktes Neuron 12: rot überwiegt —> feuern Input Maske / Gewichte gewichteter Input verdecktes Neuron 13: blau dominiert —> nicht feuern =X =X
- 32. Neuronales Netz: Ziffernerkennung ©2017 gezeitenraum 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 gezeitenraum 33 Neuron 12 Neuron 18 Neuron 25
- 34. ©2017 gezeitenraum Wie lernt das System? 34
- 36. Ziel: Fehler minimieren ©2017 gezeitenraum 36 Fehler {Parameter 1 Parameter 2
- 37. Neuronales Netz: Lernprozess ©2017 gezeitenraum 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 ML System 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 fängt man am besten an? 40
- 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 learning experte ©2017 gezeitenraum 44
- 45. Geschafft ©2016 gezeitenraum 45 Vielen Dank! Dr. Christian Wiele christian@gezeitenraum.com @christian_wiele @gezeitenraum