01 Einführung Flashcards
gängige Definition Maschinelles Lernen
Ein System lernt aus Erfahrung E in Hinblick auf eine Klasse von Aufgaben T und einem Performanzmaß P, wenn seine Leistungen bei Aufgaben aus T gemessen mit P durch Erfahrung E stiegt.
Ein lernendes System generiert eine oder mehrere Lösungshypothesen H um Aufgaben T zu lösen
Beispiel: Lernen Schach / GO zu spielen …
T = Schach / GO - Spielen
P = Prozent der gewonnenen Spiele
E = Spiele gegen sich selbst
H = Modell um Spielzüge anhand der aktuellen Situation zu erzeugen
Inferenz
Der Vorgang, wie ein Programm/Algorithmus aus Fakten und Vermutungen (“korrekte”) Schlüsse ziehen kann
Ziel: Finden einer oder mehrerer Lösungshypothesen durch Lernen
Deduktiver Schluss
Aus einer Menge von Formeln A folgt B <=> Es gibt eine Folge von Regeln, um B abzuleiten
Beispiel:
“Alle Menschen sind sterblich.”
“Sokrates ist ein Mensch.”
=> “Sokrates ist sterblich.”
Abduktion
H folgt aus Hintergrundwissen B und Beobachtungen D abduktiv <=> B U H –> D
“Alle Menschen sind sterblich.”
“Sokrates ist sterblich.”
=> “Sokrates ist ein Mensch.”
Induktiver Schluss
Gegeben ein Menge D von Grundbeispielen.
Die Hypothese H folgt induktiv aus D und dem Hintergrundwissen B <=> B U H –> D, B -/-> D, BUD -/-> nichtH
Aus Hypothese sind einzelne Beispiele ableitbar, aber nicht umgekehrt.
“Sokrates ist ein Mensch.”
“Sokrates ist sterblich.”
…
=> “Alle Menschen sind sterblich.”
Arten der Wissensrepräsentation
Assoziierte Paare Parameter in algebraischen Ausdrücken Entscheidungsbäume Formale Grammatiken Produktionsregeln Formale logikbasierte Ausdrücke Graphen und Netzwerke Probabilistische Graphische Modelle Frames, Schemata. Semantische Netze Prozedurale Kodierungen Taxonomien Markov-Ketten ...
Assoziierte Paare
Eingangs- und Ausgangsvariablen
Parameter in algebraischen Ausdrücken
Anpassung numerischer Parameter und Koeffizienten algebraischer Ausdrücke einer festen funktionalen Form. Speziell: Gewichtsmatrix
Entscheidungsbäume
Um zwischen verschiedenen Klassen zu diskriminieren
Formale Grammatiken
Lernen eine bestimmte Sprache zu erkennen aus einer Folge von Ausdrücken. Repräsentiert durch reguläre Ausdrücke, endliche Automaten, kontextfreie Grammatiken, Ersetzungsregeln
Produktionsregeln
Bilden einer neuen Regel, Generalisierung, Spezialisierung, Komposition zweier oder mehrerer Regeln
Formale logikbasierte Ausdrücke
Aussagenlogik zur Beschreibung der Eingabebeispiele und des gelernten Begriffs
Graphen und Netzwerke
In manchen Domänen besser geeignet als formale logikbasierte Ausdrücke
Probabilistische Graphische Modelle
Beschreiben zB Verbundwahrscheinlichkeiten von Zufallsvariablen
Frames, Schemata, Semantische Netze
Größere Wissenseinheiten als einzelne logische Ausdrücke oder Produktionsregeln
