IB (II) Flashcards
Was waren die Anfänge der KI Forschung?
- 1950 Turing Test
- 1951 erster Computer für Dame/Schach
- 1955 prägteMcCarthy denBegriff KI
- 1958 Perzeptron
- 1965 der erste Chatbot: ELIZA
- 1970-1980 Expertensysteme
Was ist der Turing Test?
Ein Mensch fragt verschiedene Terminals unterschiedliche Fragen und entscheidet anhand der Antworten der Terminals, ob es ein Mensch oder eine Maschine ist.
Was sind die Zutaten die es für das Erstellen eines Bauernschachcomputers benötigt?
- Verständnis der Regeln und Identifizieren der Teile des Spiels (Features)
- Eine Übersetzung in algorithmische Regeln (verkettete Regeln) für das Spielen an sich
- „Speicher“, also ein Gedächtnis zum speichern von Zuständen und Ergebnissen als
„Beobachtungen“ - Regeln wann das Spiel gewonnen ist und wann wir Teile anpassen/entfernen – unser
„Lernen“
Was sind Merkmale einer starken KI?
Zukunftsvisionen
* Bewusstsein
* Selbsterkenntnis / Eigenwahrnehmung
* Empfindungsvermögen
* Kreativität
* Eigenständiges Entwickeln von Lernstrategien
* Entscheidungsfähigkeit auch bei Unsicherheit
Was sind Merkmale einer schwachen KI?
- Kein Bewusstsein über eigene Existenz
- Simulation von menschenähnlichen
Erfahrungen - Beispiele:
◦ Korrekturvorschläge bei Suchen
◦ Spracherkennung
◦ Zeichenerkennung
◦ Bilderkennung
◦ Automatisierte Übersetzung
◦ Empfehlungssysteme
◦ Gesichtserkennung
◦ Expertensysteme
◦ Navigationsgeräte
Welche Lerntypen maschinellen Lernens gibt es?
Überwachtes Lernen, Unüberachtes Lernen, und Bestärkendes Lernen
Was ist überwachtes Lernen?
Man weiß Inputs und outputs und dann werden zwischen den in und Outputs Verbindungen hergestellt.
Was ist unüberwachtes Lernen?
Beim unüberwachtem lernen kennt man nicht die Outputs. Die Idee dieses Modells ist es eine Struktur zu finden um zum Beispiel Gruppierungen zu machen.
Was ist bestärkendes lernen?
Hier sucht man nach der besten Strategie zur Lösung einer Aufgabe. Am Anfang sind Entscheidungen zufällig und am Ende sollte das Modell die besten Entscheidungen anhand ihrer Erfahrungen treffen.
Welche ethische Probleme könnte KI mit sich bringen?
– Telefonat erkennen ob zB Depressionen vorliegen → Diskriminierung bei Einstellung
– Automatisches Autofahren → KI entscheidet über Leben und Tod
Was machen Empfehlungssysteme?
- Software Tool
- Möglichst passende Vorschläge für Nutzer
- Personalisierte Empfehlungen
- Vorschläge beruhen auf Nutzerverhalten in der Vergangenheit (explizit/implizit)
Wie und warum sind Empfehlungssysteme entstanden?
- Digitaler Handel erzeugt unüberschaubare Menge an Angeboten
- Empfehlungssysteme als Lösung des Problems der Informationsüberflutung
- 1990 entstand das Forschungsgebiet, heutiges Interesse sehr hoch
Welche Ziele verfolgen Anbieter bei Empfehlungssystemen?
- Erhöhung der Conversionsrate (wie oft die Empfehlung angenommen wird)
- Verschiedene Artikel zu verkaufen (bewerben weniger frequentierter touristischer
Attraktionen) - Steigerung der Nutzerzufriedenheit (Erhöhung der Abschlüsse)
- Erhöhung der Benutzertreue (Wiedererkennen und halten)
Welche Nutzen haben diese für die User?
- Gute Artikel finden / alle guten Artikel finden
- Gewichtung im Kontext (Fernseh Programmführer)
- Eine Sequenz empfehlen (Spotify, Youtube)
- Zusammenhängende Empfehlungen erhalten (Akku und Ladegerät)
- Durchstöbern (Lenken von Strömen, auch Tourismus)
- Kommentieren und Bewerten um anderen zu helfen
- Beeinflussung anderer
Welche Arten von Empfehlungsansätzen gibt es?
◦ Kollaboratives Filtern (Merkmale des Nutzers wird mit Merkmalen andere Nutzer
(Geschmack) verglichen)
◦ Inhaltsbasiert (Merkmale bspw. Genre, Schauspieler …)
◦ Wissensbasiert (Merkmale Artikel <-> Merkmale Nutzer)
◦ Demografisch (Merkmale: Sprache, Land, Alter, Geschlecht)
◦ Communitybasiert/sozial (z.B. Bewertungen von Freunden)
◦ Hybride
Was ist ein Hybride Empfehlungstechnik wie bei Amazon?
- Kombination aus kollaborativem und inhaltsbasierten Filtern (item-to-item collaborative
filtering) - Präferenzen des einzelnen Kunden und Präferenzen aller Kunden (kollaborativ filtern) wird
verbunden - Ablauf: Für alle Produkte wird bei jedem Kunden überprüft, welche weiteren dieser gekauft
hat. In einer Tabelle wird anschließend der Ähnlichkeitsfaktor angegeben - Die ähnlichsten Objekte werden als Empfehlung angezeigt
Wie ist ein Entscheidungsbaum aufgebaut?
- Datensatz wird in eine baumartige hierarchische Struktur aufgegliedert
- Geordnete, gerichtete Bäume
- Wurzel, Äste, Knoten, Blätter
- Binärer Baum: von den inneren Knoten gehen je zwei Äste aus
- Von einer Ebene zur nächsten werden Entscheidungen getroffen
- Blätter: Zustand, welcher klassifiziert wurde
Welche Vorteile hat die Darstellung durch Entscheidungsbäume?
- Transparenz durch:
- nachvollziehbaren Entscheidungsprozess
- nachvollziehbare Konstruktion des Baumes
- Visualisierung von Klassifikationsregeln (Entscheidungsbäume lassen sich in formale Regeln überführen)
- beliebig viele Entscheidungsebenen implementierbar (Skalierbarkeit)
Welche Schwächen haben Entscheidungsbäume?
- Overfitting -> Entscheidungsbäume können anfällig für Overfitting sein, d. h. sie können zu komplex werden und die Daten zu eng anpassen, was zu schlechten Vorhersagen auf neuen Daten führen kann.
- viele (qualitativ gute) Trainingsdaten notwendig
Was ist ein Neuron?
Platzhalter für 0 oder 1
Wie lautet die Lernregel und für was stehen die einzelnen Buchstaben?
W neu= W alt + n *(y-o) * x n
Welche Bedeutung haben die Variablen?
X sind die Eingaben
y ist die gewünschte Ausgabe
o ist die tatsächliche Ausgabe
W sind die Gewichte, hier jeweils die neuen Werte nach der Berechnung
