2.3 Mustererkennung und maschinelles Lernen (ML)

Question 1

Maschinelles Lernen - allgemein

Answer 1

• so alt wie die Künstliche Intelligenz selbst
• seit Kurzem das vorherrschende Paradigma in der KI-Forschung

Question 2

Maschinelles Lernen - Definition nach Mitchell

Answer 2

• Computerprogramm lernt aus Erfahrung E
• in Bezug auf eine Klasse von Aufgaben T
• und einem Leistungsmaß P
• wenn sich seine Leistung bei Aufgaben T
• gemessen durch P
• mit der Erfahrung E verbessert

Question 3

Maschinelles Lernen - Hauptmerkmal

Answer 3

• Definition nach Mitchell
  -> Lernen aus Daten
• stützt sich auf Vielzahl von Methoden, von klassischer Statistik bis hin zu algorithmisch motivierten Ansätzen

Question 4

Maschinelles Lernen - Arten

Answer 4

• Überwachtes Lernen (Supervised Learning)
• Unüberwachtes Lernen (Unsupervised Learning)
• Bestärkendes Lernen (Reinforcement Learning)

Question 5

Überwachtes Lernen - Daten

Answer 5

• arbeitet mit gelabelten bzw. markierten Datensätzen
• Trainingsdaten bestehen aus Objektbeschreibungen in Form von Merkmalen sowie dazugehörigen Kennzeichnungen (Labels)

Question 6

Überwachtes Lernen - Aufgaben

Answer 6

können anhand der gegebenen Beispiele beschrieben werden
-> Ermittlung von Zuordnungen zwischen Merkmalswerten und Ausgaben
-» ermöglichen es, Kennzeichnung für bisher ungesehene Objekte vorherzusagen

Question 7

Überwachtes Lernen - Arten

Answer 7

• Regression
• Klassifizierung
• Je nach Art des zu erzeugenden Ergebnisses

Question 8

Überwachtes Lernen - Regression

Answer 8

• Ausgabe: kontinuierliche numerische Variable
• Ziel: Funktionen mit reellen Werten zu finden, die Abbildung zwischen Eingaberaum der Merkmale und Ausgaberaum der zugehörigen Werte darstellen

Question 9

Überwachtes Lernen - Klassifizierung

Answer 9

• Ausgabe: auf begrenzte Menge von Werten beschränkt
• Beispiele: Kennzeichnung von E-Mails als Spam, Auffinden von Bildern mit bestimmten Inhalten in großen Bilddatenbanken

Question 10

Unüberwachtes Lernen - Daten

Answer 10

arbeitet mit Daten ohne jegliche Kennzeichnung

Question 11

Unüberwachtes Lernen - Hauptziel

Answer 11

Strukturen oder Muster in den Daten erkennen

Question 12

Unüberwachtes Lernen - Beispiele

Answer 12

• Clustering: Auffinden von Gruppen von Datenpunkten mit hoher Ähnlichkeit
• Techniken zur Dimensionalitätsreduzierung: Konstruktion niedrigdimensionaler Projektionen von potenziell hochdimensionalen Merkmalsräumen, die gleichzeitig eine relevante Struktur beibehalten
• statistische Techniken: Wahrscheinlichkeitsdichtefunktionen von Zufallsvariablen schätzen

Question 13

Bestärkendes Lernen - Hauptaskpekt

Answer 13

lernender Agent wird in einer Umgebung betrachtet

Question 14

Bestärkendes Lernen - Agent

Answer 14

kann Aktionen durchführen, die seinen internen Zustand und den der Umgebung beeinflussen

Question 15

Bestärkendes Lernen - Belohnungsfunktion

Answer 15

wird eingesetzt, um den Nutzen der durchgeführten Aktionen im Hinblick auf ein bestimmtes Ziel zu beurteilen

Question 16

Bestärkendes Lernen - Lerndaten

Answer 16

Agent erzeugt seine eigenen Lerndaten durch Ausprobieren von Handlungsalternativen
-> keine vorherige Datenerfassung erforderlich

Question 17

Bestärkendes Lernen - Zusammenhang Spiel- und Entscheidungstheorie

Answer 17

Rahmenbedingungen des Lernproblems

Question 18

Bestärkendes Lernen - Beispiel

Answer 18

• AlphaZero
• lernten die Brettspiele Go, Schach und Shogi mit übermenschlichen Fähigkeiten zu spielen
• kannte anfangs nur die Grundregeln
• spielte ausgiebig gegen sich selbst

Question 19

Maschinelles Lernen - Merkmale

Answer 19

• dynamisches Vorgang
• Mit Hilfe von Algorithmen realisiert
• Daten (meist sehr groß)
• Mustererkennung

Question 20

Maschinelles Lernen - Merkmale - dynamischer Vorgang

Answer 20

• System kann sich an neue Daten anpassen
• lernt aus Erfahrungen
• ohne dem System explizit zu sagen, was in einer Aufgabenstellung getan werden muss

Question 21

Maschinelles Lernen - Merkmale - Mustererkennung

Answer 21

• Bspw. Suche nach Linien, Clustern oder anderen Mustern in den Daten
• Versuch Realität durch mathematische Funktionen abzubilden
• Computer muss Funktion anhand der Daten selbst herausfinden

Question 22

Maschinelles Lernen - Merkmale - Lösen der Aufgabe

Answer 22

Mathematische Modell wird genutzt um Aufgabenstellung zu lösen

Question 23

Maschinelles Lernen - Kombination

Answer 23

Kombination aus:
* Mathematik
* Mustererkennung
* Datenspeicherung

Question 24

Maschinelles Lernen - Herausforderung

Answer 24

datengestütze Technologie:
* Menge Trainigsdaten
* Qualität der Daten
* Generalisierbarkeit
* Messung der Performance
* Robustheit
* Erklärbarkeit

Question 25

Maschinelles Lernen - Herausforderung - Menge an Trainigsdaten

Answer 25

• je mehr desto besser
• muss für den Anwendungsbereich tatsächlich vorhanden sein

Question 26

Maschinelles Lernen - Herausforderung - Qualität der Daten

Answer 26

• Motto: garbage in -> garbage out
• falsch gelabelte Daten -> falsche Ergebnisse
  -> Prüfung der Daten durch statistische Methoden und Visualisierung
• Daten müssen repräsentativ sein (Abbilden der gesamten Datenmenge)

Question 27

Maschinelles Lernen - Herausforderung - Generalisierbarkeit

Answer 27

• Aus Basis der Trainingsdaten
• Overfit: an Beispieldaten überangepasst (Trainingsdaten -> gute Ergebnisse, echte Daten -> schlechte Ergebnisse)
• Underfit: zu wenig angepasst (berücksichtigt die relevanten Unterschiede nicht ausreichend)

Question 28

Maschinelles Lernen - Herausforderung - Messung der Performance

Answer 28

Je nach Lernstil und nach zu bearbeitender Fragestellung geeignete Metriken auswählen

Question 29

Maschinelles Lernen - Herausforderung - Robustheit

Answer 29

wenig robust: kleine Änderungen der Einagbe -> deutliche Änderungen der Anwort

Question 30

Maschinelles Lernen - Herausforderung - Erklärbarkeit

Answer 30

Erklärung möglich, wie ein Algorithmus zu einer bestimmten Entscheidung gekommen ist