AI & ML Flashcards
Bausteine der AI aus verschiedenen Bereichen
Beispiele:
- Philosophie (Logik)
- Mathe (Algorithmen)
- Statistik (Unsicherheit)
- Wirtschaft (Nutzen, Entscheidungstheorie)
- Neurowissenschaften (Neuronen)
- Psychologie (wie verhalten Menschen)
- Informatik (schnelle Compis bauen)
- Linguistik(Grammatik)
5 Hauptkategorien der Regulierung
- Identifizierung von Regulierungslücken
- Transparenz
- Black Box AI-Modelle
- Automatische Überwachung
- Dynamische Natur von selbstlernenden Modellen
Rationaler Agent, Merkmale (5)
- Ziele durch objektive Kriterien definieren
- nicht allwissend/hellseherisch
- nicht immer erfolgreich
- zukünftige Ergebnisse zu seinen Gunsten verändern
- autonom, wenn lernen kann
PEAS (um Aufgabenumgebung zu analysieren)
Performance Measure
Environment
Aktuatoren
Sensoren
Eigenschaften der Umgebung
- vollständig vs teilweise beobachtbar
- deterministisch (Schach), stochastisch (Fussball), Strategisch (wenn völlig deterministisch)
- episodisch vs sequenziell
- statisch (sudoku) vs dynamisch (Fussball)
- diskret vs stetig (Fussball)
- ein agent vs mehrere agenten
5 Arten von Agenten
- Simple-Reflex Agent
- Model-based Reflex Agent
- Goal-based Agent
- Utility-based Agent
- Learning-based Agent (Lernelemente, Leistungselemente, Problemgenerator)
ML Entities (4)
Objekte Szenen Aktivitäten Ereignisse (OSAE)
bei KNN, welche Abstände gibt es und was macht sie aus?
- Euclidian Distance (kontinuierliche Variablen, nicht sehr robust)
- Manhattan Distance (bei binären/kodierten Variablen, robust, mehrere Lösungen)
- Hamming Distance (kategorische Variablen)
error rate =
error rate = total of errors/n
(FP + FN) / alle
accuracy rate =
accuracy rate = 1 - error rate
(TP + TN) / alle
precision macht?
“wie viele ausgewählte Objekte sind relevant?”
TP / (TP + FP)
recall macht?
“wie viele relevante Objekte werden erkannt?”
Recall = TP / (TP + FN)
F1 measure
F1 measure = 2 * (precision * recall) / (precision + recall)
true positive rate (TPR)
TP / (TP + FN)
true negative rate (TNR)
TN / (TN + FP)