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.
Von der Idee zur Lösung in Rekordzeit - Anforderungsmanagement und Qualitätss...
Daten / Information / Wissen - Möglichkeiten und Grenzen des Machine Learning
1. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 1 | 48
Projekte. Beratung. Spezialisten.
Mehr Wissen aus Daten
IKS-Thementag
12.11.2019
Autor: Martin Gossen
Möglichkeiten und Grenzen des Machine Learning
2. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 2 | 48
Agenda
„Wissen“
Technische Ansätze
Anwendungsfälle
Datenquellen
Know-how
Grenzen
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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 16 | 48
Neuronales Netz
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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. 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. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 19 | 48
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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. 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. 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. 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. 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. 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. 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
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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 39 | 48
AutoML-Beispiel
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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. 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. 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. 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. 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. 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. 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. 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. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 48 | 48
Vielen Dank!
Fragen?
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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. 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
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. 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. 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. 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. 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. 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. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 58 | 48
Beispiel: Betrugserkennung
Datananalyse
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
59. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 59 | 48
Beispiel: Betrugserkennung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
60. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 60 | 48
Beispiel: Betrugserkennung
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
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. 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. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 63 | 48
Maschinelles Lernen
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
64. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 64 | 48
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
65. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 65 | 48
Deep Learning
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen
66. Mehr Wissen aus Daten – Möglichkeiten und Grenzen des Machine Learning 66 | 48
"Wissen" | Technische Ansätze | Anwendungsfälle | Datenquellen | Know-how | Grenzen