Brainscape's Knowledge GenomeTM

Browse over 1 million classes created by top students, professors, publishers, and experts.


See full index

Künstliche Intelligenz > 3.3 Menschliche und maschinelle Intelligenz > Flashcards

3.3 Menschliche und maschinelle Intelligenz Flashcards

1
Q

Großteil der KI Forschung und Entwicklung

A

konzentriert sich auf Entwicklung von Systemen, die versuchen, bestimmte Aufgaben zu lösen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

Großteil der KI Forschung und Entwicklung - Beispiele

A
  • Strategiespiele
  • Identifikation von Objekten in Bildern oder Videos
  • Steuerung bestimmter Arten von Robotern für gewünschte Aufgaben
  • Übersetzung von geschriebenem Text
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Starke Strömung der KI Forschung und Entwicklung

A

Konstruktion eines Systems, das der menschlichen geistigen Kapazität in ihrer ganzen Vielfalt entspricht oder sie sogar übertrifft

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

Unterschiede Problemlösung zwischen Mensch und Maschine

A
  • Effizienz beim Lernen
  • Verallgemeinerung und Transfer
  • Vorstellungskraft
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
5
Q

Unterschiede Problemlösung zwischen Mensch und Maschine - Effizienz beim Lernen

A
  • KI-Modelle, welche menschliche Fähigkeiten in bestimmten Anwendungsbereich deutlich übertreffen
  • aber nur durch Verarbeitung weitaus mehr Trainingsdaten
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

Unterschiede Problemlösung zwischen Mensch und Maschine - Effizienz beim Lernen - Beispiel

A
  • AlphaZero von DeepMind
  • Spielregeln und ausgiebig Gelegenheit zum Spielen
  • Millionen von Partien gegen sich selbst gespielt

-> menschliches Gehirn scheint mit viel weniger Daten eine fast ebenso hohe Leistung zu erzielen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

Unterschiede Problemlösung zwischen Mensch und Maschine - Verallgemeinerung und Transfer

A
  • AlphaZero von DeepMind nur in der Lage, genau das Spiel zu spielen, für das es trainiert worden war
  • zahlreiche Menschen, die mehr als eines dieser Spiele auf höchstem Niveau spielen
  • interessante Querverbindungen zwischen den Spielen
    -> Inspirationen für Strategien
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

Unterschiede Problemlösung zwischen Mensch und Maschine - Vorstellungskraft

A
  • Gelegentlich überrascht die KI Profis mit Spielzügen, die zielgerichtet, aber völlig neuartig sind
  • Art Kreativität aber Einfallsreichtum bisher keine Stärke von KI-Systemen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

bemerkenswerte Versuche Lücken zu schließen

A
  • Transfer-Lernen
  • Meta-Lernen
  • Generative Adversarial Networks (GAN)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

Transfer-Lernen - Kerngedanke

A

bestehendes, für bestimmte Aufgabe trainiertes Modell mit geringem zusätzlichem Trainingsaufwand für andere, ähnliche Aufgabe zu nutzen

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
11
Q

Transfer-Lernen - Anwendung

A
  • Deep-Learning-basierte Methoden zur Objekterkennung in Bildern oder Videos
  • System, das für Erkennung von Objekt „A“ trainiert wurde, für Erkennung von Objekt „B“ umfunktioniert
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

Transfer-Lernen - Objekterkennung

A
  • funktioniert aufgrund der besonderen Art und Weise der Objektedarstellung in solchen tiefen Netzwerkmodellen
  • Netzwerk konstruiert hierarchische Darstellungen von Bildeigenschaften
  • frühe Schichten sehr allgemeine Eigenschaften (Kanten, Ecken) erkennen
  • Eigenschaften für Erkennung vieler verschiedener Objektklassen relevant
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

Meta-Lernen

A
  • nicht Lernen konkreter Aufgaben
  • befasst sich mit dem Problem, wie Lernen selbst gelernt wird
  • Versuch von einzelnen Lernszenarien zu abstrahieren, um gemeinsame Strategien und Ansätze zu finden
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

Generative Adversarial Networks (GAN) - Entwickler

A

Ian Goodfellow

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
15
Q

Generative Adversarial Networks (GAN) - deutsche Übersetzung

A

Erzeugende gegnerische Netzwerke

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
16
Q

Generative Adversarial Networks (GAN) - Ziel

A

Versuch sich menschlicher Vorstellungskraft und Kreativität zu nähern

17
Q

Generative Adversarial Networks (GAN) - Aufbau

A

zwei tiefe, mehrschichtige neuronale Netze, die gegeneinander arbeiten:
* Generatorennetz
* Diskriminatornetz

18
Q

Generative Adversarial Networks (GAN) - Generatorennetz

A

versucht, Daten aus einer bestimmten Kategorie zu generieren

19
Q

Generative Adversarial Networks (GAN) - Diskriminatornetz

A
  • wird mit künstlich erzeugten als auch realen Daten der selben Kategorie gefüttert
  • entscheidet, welche Daten echt sind und welche generiert wurden
20
Q

Generative Adversarial Networks (GAN) - Optimierung

A
  • Beide Netzwerke werden synchron optimiert
  • Generator muss Schritt halten mit wachsender Fähigkeit des Diskriminators -> muss kontinuierlich realistischere künstliche Daten generieren
21
Q

Abb. Generative Adversarial Network (GAN) am Beispiel der Bildverarbeitung

A
22
Q

Abb. Deep Learning als Teilgebiet der künstlichen Intelligenz

A
23
Q

Maschinelles Lernen als Teil der KI

A
  • Lernfähigkeit ist gefordert
  • Erforschung der Mechanismen des Lernes
  • Entwicklung maschineller Lernverfahren
24
Q

Deep Learning als Teil des maschinellen Lernens

A
  • Deep Learning versucht Funktionsweise des menschlichen Gehirns zu imitieren
  • maschinelles Lernen mit großen neuronalen Netzen
  • komplexe Architekturen der Netze - bis zu 1000 Schichten
  • beeidruckende Ergenisse
  • einer der leistungsfähigsten Ansätze
25
Q

Deep Learning - Anwendungsbereiche

A
  • Inhalte von Bildern erkennen
  • Sprachmustererkennung
  • Textinhalte auswerten
26
Q

Lernstrategien im maschinellen Lernen

A
  • symbolisches Schlussfolgern
  • neuronale Netze
  • evolutionäre Algorithmen
  • bayessche Statistik
  • Lernen durch Analogien
27
Q

Lernstrategien im maschinellen Lernen - symbolisches Schlussfolgern

A
  • hat Wurzeln in der Logik
  • Wissen und Regeln werden mit Symbolen dargstellt
  • Prinzipien der Deduktion und Induktion spielen wichtige Rolle
  • Deduktion: allgemeine Erkenntnisse -> spezielle Fälle
  • Induktion: spezieller Fall -> allgemein gültige Regel
28
Q

Lernstrategien im maschinellen Lernen - neuronale Netze

A
  • von Konnektionisten verwendet
  • Idee: Funktionsweise von Hirnzellen nachzuahmen
  • Modelle bestehen aus künstlichen Neuronen
  • diese orientieren sich an ihren biologischen Vorbildern
  • Nehmen Eingaben auf, verrechnen diese und aktivieren ggf. andere Neuronen
29
Q

Lernstrategien im maschinellen Lernen - evolutionäre Algorithmen

A
  • Am Prinzip der Evolution orientiert
  • natürliche Selektion: die Individuen übeleben, die am besten angepasst sind
  • auf der Suche nach der besten Lösung Entfernung der Altanativen, die nicht das gewünschte Ergebnis liefern
30
Q

Lernstrategien im maschinellen Lernen - bayessche Statistik

A
  • Nutzung statistischer Methoden
  • Ausgangspunkt: Bayes Theorem
  • Berechnung von Wahrscheinlichkeiten
31
Q

Lernstrategien im maschinellen Lernen - Lernen durch Analogien

A

wenn Menschen neue Beobachtung machen -> Erinnerung an ähnliche Beobachtungen
-> was in ähnlicher Situation funktioniert hat könnte auch in neuer funktionieren

32
Q

Die Lernstrategie von Alpha Go

A
  • Deep Learning zur Bewertung von Brettstellungen
  • Lernen durch Verstärkung in Spielen des Programms gegen sich selbst
  • Monte Carlo Tree Search (MCTS) bei der Auswahl des nächsten Zugs

Künstliche Intelligenz (34 decks)

Brainscape helps you reach your goals faster, through stronger study habits.
© 2024 Bold Learning Solutions. Terms and Conditions