Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | Machine Learning

1. Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse
Hauptseminar im Sommersemester 2019
17.04.2019 – Künstliche Intelligenz, Machine Learning, Frameworks
Institut für Digital Humanities | Universität zu Köln | Prof. Dr. Øyvind Eide, Dr. Jan G. Wieners

2.  Machinelles Lernen (Machine Learning)
 Methoden:
 Reinforcement Learning
 Unsupervised Learning
 Supervised Learning
 (Künstliche) Neuronale Netze
 Sitzungsaufgabe
 Arbeitsaufträge zum 24.04.2019
Überblick 17.04.2019

3. Lektüretipp: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

4. Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

5. Bewertungsalgorithmus
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

6. Manuelle Klassifikation
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

7. Machine Learning

8. Lernverfahren
 Supervised Learning – Überwachtes Lernen
 Unsupervised Learning – Unüberwachtes Lernen
 Reinforcement Learning / Verstärkendes Lernen

9. Reinforcement Learning

10. Reinforcement Learning

11. Reinforcement Learning

12. Endlicher Markov-Entscheidungsprozess
Verlauf von Entscheidungen, bei dem die
Belohnung des Agenten einzig von dem Zustand
der Umwelt und der Aktion des Agenten
abhängt. Definiert als Tupel 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 mit:
• 𝑆 = 𝑠1, 𝑠2, … , 𝑠 𝑛 : Zustandsraum, d.h. die
möglichen Zustände der Umwelt; 𝑠𝑡 ∈ 𝑆
repräsentiert den Zustand der Agentenumwelt
zum Zeitpunkt 𝑡.

13. Endlicher Markov-Entscheidungsprozess
Verlauf von Entscheidungen, bei dem die
Belohnung des Agenten einzig von dem Zustand
der Umwelt und der Aktion des Agenten
abhängt. Definiert als Tupel 𝑆, 𝐴, 𝑃, 𝑅, 𝛾 :
• 𝑆 = 𝑠1, 𝑠2, … , 𝑠 𝑛 : Zustandsraum, d.h. die
möglichen Zustände der Umwelt; 𝑠𝑡 ∈ 𝑆
repräsentiert den Zustand der Agentenumwelt
zum Zeitpunkt 𝑡.
• 𝐴: Menge der Entscheidungen bzw.
Zugmöglichkeiten, die dem Agenten zu jedem
Umweltzustand 𝐴(𝑠) zur Verfügung stehen.

14. Endlicher Markov-Entscheidungsprozess
𝑆, 𝐴, 𝑃, 𝑅, 𝛾 :
• 𝑎 𝑡 ∈ 𝐴(𝑠𝑡): von dem Agenten ausgeführte Aktion zum
Zeitpunkt 𝑡.
• Übergangsfunktion 𝑃 𝑠, 𝑎, 𝑠′
: führt die Umwelt in ihrem
Zustand 𝑠 aufgrund der Handlung 𝑎 des Agenten zu
einem neuen möglichen Nachfolgezustand 𝑠′.
• 𝑅(𝑠, 𝑎, 𝑠′
): Belohnungsfunktion, Feedback, das der Agent
aufgrund seiner Handlung erhält.
• Diskontierungsfaktor 𝛾 mit 0 ≤ 𝛾 ≤ 1 lässt sich dazu
verwenden, um das Lernverhalten des Agenten
feinzujustieren. Dient dazu, künftige Belohnungen
gegenüber zeitnahen Belohnungen abzuschwächen.

15. 𝜋∗
(𝑠) → 𝑎∗
|𝑠

20. Entscheidungsbäume, Monte Carlo Simulation

22. Monte Carlo Spielbaumsuche

23. Unsupervised Learning vs.
Supervised Learning

24. https://www.youtube.com/watch?v=cfj6yaYE86U

25. Künstliche Neuronale Netze

26. Künstliches Neuronales Netz (KNN)
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

27. Neuron, Aktivierungsfunktionen
Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

28. Quelle: iX Developer (Winter 2018): Machine Learning – Verstehen, verwenden, verifizieren.

29. /

30. Arbeitsaufträge 17.04.2019
 Diskutieren Sie in Ihrer Gruppe einen sinnvollen
Anwendungsfall für KI / Machine Learning und die
Analyse von Comics / Graphic Novels.
 Entwickeln Sie in Ihrer Gruppe eine Projektidee:
 Womit möchten Sie sich beschäftigen?
 Welche Forschungsfragen möchten Sie fokussieren?

31. Arbeitsaufträge zum 24.04.2019
 Lesen Sie die folgenden Kapitel in ix Developer (Winter
2018): „Machine Learning. Verstehen, verwenden,
verifizieren“:
 Marcel Tilly: „Künstliche neuronale Netze in Theorie und Praxis
– Das Gehirn des Rechners“ (S. 16-20)
 Marcel Tilly: „ Am Anfang war das Neuron“ (S. 21-23)
 Sara Bertram: „Ene, mene, muh –und raus bist du“ (S. 52-56)
 Entscheiden Sie sich für ein Machine-Learning
Framework (z.B. TensorFlow, Keras, etc.)
 Installieren Sie Ihr Framework und experimentieren Sie
anhand der Tutorials.
 Bereiten Sie eine kurze Präsentation über Ihre
Projektidee vor.