AI & ML Flashcards

1
Q

Bausteine der AI aus verschiedenen Bereichen

A

Beispiele:

  • Philosophie (Logik)
  • Mathe (Algorithmen)
  • Statistik (Unsicherheit)
  • Wirtschaft (Nutzen, Entscheidungstheorie)
  • Neurowissenschaften (Neuronen)
  • Psychologie (wie verhalten Menschen)
  • Informatik (schnelle Compis bauen)
  • Linguistik(Grammatik)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
2
Q

5 Hauptkategorien der Regulierung

A
  • Identifizierung von Regulierungslücken
  • Transparenz
  • Black Box AI-Modelle
  • Automatische Überwachung
  • Dynamische Natur von selbstlernenden Modellen
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
3
Q

Rationaler Agent, Merkmale (5)

A
  1. Ziele durch objektive Kriterien definieren
  2. nicht allwissend/hellseherisch
  3. nicht immer erfolgreich
  4. zukünftige Ergebnisse zu seinen Gunsten verändern
  5. autonom, wenn lernen kann
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
4
Q

PEAS (um Aufgabenumgebung zu analysieren)

A

Performance Measure
Environment
Aktuatoren
Sensoren

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

Eigenschaften der Umgebung

A
  1. vollständig vs teilweise beobachtbar
  2. deterministisch (Schach), stochastisch (Fussball), Strategisch (wenn völlig deterministisch)
  3. episodisch vs sequenziell
  4. statisch (sudoku) vs dynamisch (Fussball)
  5. diskret vs stetig (Fussball)
  6. ein agent vs mehrere agenten
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
6
Q

5 Arten von Agenten

A
  1. Simple-Reflex Agent
  2. Model-based Reflex Agent
  3. Goal-based Agent
  4. Utility-based Agent
  5. Learning-based Agent (Lernelemente, Leistungselemente, Problemgenerator)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
7
Q

ML Entities (4)

A
Objekte
Szenen
Aktivitäten
Ereignisse
(OSAE)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
8
Q

bei KNN, welche Abstände gibt es und was macht sie aus?

A
  1. Euclidian Distance (kontinuierliche Variablen, nicht sehr robust)
  2. Manhattan Distance (bei binären/kodierten Variablen, robust, mehrere Lösungen)
  3. Hamming Distance (kategorische Variablen)
How well did you know this?
1
Not at all
2
3
4
5
Perfectly
9
Q

error rate =

A

error rate = total of errors/n

(FP + FN) / alle

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
10
Q

accuracy rate =

A

accuracy rate = 1 - error rate

(TP + TN) / alle

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

precision macht?

A

“wie viele ausgewählte Objekte sind relevant?”

TP / (TP + FP)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
12
Q

recall macht?

A

“wie viele relevante Objekte werden erkannt?”

Recall = TP / (TP + FN)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
13
Q

F1 measure

A

F1 measure = 2 * (precision * recall) / (precision + recall)

How well did you know this?
1
Not at all
2
3
4
5
Perfectly
14
Q

true positive rate (TPR)

A

TP / (TP + FN)

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

true negative rate (TNR)

A

TN / (TN + FP)

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

false positive rate (FPR)

A

FP / (TN + FP)

17
Q

false negative rate (FNR)

A

FN / (TP + FN)

18
Q

schwellenwert für die minimale wahrscheinlichkeit

A

hohe Schwelle muss niedrige FPR
aber dann geht hohe TPR
–> muss kompromiss machen. wird in ROC-Kurve gezeigt

19
Q

Recall-Precision Kurve (achsen)

A

Recall: X
Precision: Y

20
Q

2 verschiedene Aktivierungsfunktionen

A
  • Sigmoid
  • tanh

–> wichtig: sind beide nichtlinear!!

21
Q

was ist GAN

A

Generative Adversarial Networks:

  • 2 neuronale Netzwerke, Generator und Diskriminator
  • versuchen den anderen zu besiegen
  • G versucht möglichst echt, D versucht fake von echt zu unterscheiden