Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

DWX 2019 Session. Mit Infer.NET intelligente Software bauen

131 views

Published on

Infer.NET ist ein in C# geschriebenes open-source Framework, das die Bayes'sche Inferenz mittels probabilistischen Programmierens unter .NET ausführen lässt. Es bietet moderne Algorithmen und Routinen, um intelligente Features in die Apps einzubauen. Infer.NET hat hervorragende Merkmale, die dieses Framework auszeichnen - verschiedene Inferenz-Algorithmen, perfekte Skalierbarkeit, Plattform-Unabhängigkeit und Erweiterbarkeit. Mit modellbasiertem Ansatz lässt sich das Domänenwissen in ein Modell integrieren. Anstatt ein Problem einem bereits vorhandenen Lernalgorithmus zuzuordnen, wird es direkt aus jeweiligem Modell ein maßgeschneiderte ML-Algorithmus erstellt und als C#-Code generiert.

Anwendungsszenarien - Spam- und Daten-Eingabe Prüfung/Hervorsage, Programm-Verifikation, Personalisierung, Empfehlung, Rating, Beurteilung uvm.

Die Teilnehmer werden Infer.NET kennenlernen und dieses hervorragende Werkzeug in Praxis für ein- und ausbauen der intelligenten App-Features einsetzen können.

Published in: Software
  • (Unlimited)....ACCESS WEBSITE Over for All Ebooks ................ accessibility Books Library allowing access to top content, including thousands of title from favorite author, plus the ability to read or download a huge selection of books for your pc or smartphone within minutes ......................................................................................................................... DOWNLOAD FULL PDF EBOOK here { https://urlzs.com/UABbn } ......................................................................................................................... Download Full EPUB Ebook here { https://urlzs.com/UABbn } ......................................................................................................................... Download Full PDF EBOOK here { https://urlzs.com/UABbn }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • ACCESS that WEBSITE Over for All Ebooks (Unlimited) ......................................................................................................................... DOWNLOAD FULL PDF EBOOK here { http://bit.ly/2m77EgH } ......................................................................................................................... DOWNLOAD FULL EPUB Ebook here { http://bit.ly/2m77EgH } ......................................................................................................................... Download Full PDF EBOOK here { http://bit.ly/2m77EgH } ......................................................................................................................... Download EPUB Ebook here { http://bit.ly/2m77EgH }
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Download or read that Ebooks here ... ......................................................................................................................... DOWNLOAD FULL PDF EBOOK here { http://bit.ly/2m77EgH } ......................................................................................................................... Download EPUB Ebook here { http://bit.ly/2m77EgH } ......................................................................................................................... Download Doc Ebook here { http://bit.ly/2m77EgH } ......................................................................................................................... .........................................................................................................................
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL BOOKS, INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. PDF EBOOK here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... 1.DOWNLOAD FULL. doc Ebook here { https://tinyurl.com/y6a5rkg5 } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, Cookbooks, Crime, Ebooks, Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • DOWNLOAD FULL eBOOK INTO AVAILABLE FORMAT ......................................................................................................................... ......................................................................................................................... 1.DOWNLOAD FULL. PDF eBook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB eBook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. doc eBook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. PDF eBook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. EPUB eBook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... 1.DOWNLOAD FULL. doc eBook here { https://tinyurl.com/y3nhqquc } ......................................................................................................................... ......................................................................................................................... ......................................................................................................................... .............. Browse by Genre Available eBooks ......................................................................................................................... Art, Biography, Business, Chick Lit, Children's, Christian, Classics, Comics, Contemporary, CookeBOOK Crime, eeBOOK Fantasy, Fiction, Graphic Novels, Historical Fiction, History, Horror, Humor And Comedy, Manga, Memoir, Music, Mystery, Non Fiction, Paranormal, Philosophy, Poetry, Psychology, Religion, Romance, Science, Science Fiction, Self Help, Suspense, Spirituality, Sports, Thriller, Travel, Young Adult,
       Reply 
    Are you sure you want to  Yes  No
    Your message goes here
  • Be the first to like this

DWX 2019 Session. Mit Infer.NET intelligente Software bauen

  1. 1. Mit Infer.NET intelligente Software bauen “Nicht definierbare definieren!” 10 Schritte in Richtung intelligenter Software Mykola Dobrochynskyy Software Factories, 2019 ceo@soft-fact.de 1
  2. 2. 2 Agenda • Schritt 1. Einführung • Schritt 2. Modell-basiertes Machine Learning • Schritt 3. Ungewissheit • Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur • Schritt 5. Münzenwurf-Spiele • Schritt 6. Würfelspiele • Schritt 7. Monty-Hall-Problem • Schritt 8. Wie Infer.NET funktioniert • Schritt 9. Unterstützte Modelle • Schritt 10. Fazit
  3. 3. 3 Agenda Schritt 1. Einführung
  4. 4. Microsoft Machine Learning. Cloud-basierte Optionen 4 Cloudoptionen Funktionsbeschreibung Gebotene Möglichkeiten Azure Machine Learning Service Verwalteter Clouddienst für ML Trainieren, Bereitstellen und Verwalten von Modellen in Azure mithilfe von Python und CLI Azure Machine Learning Studio Visuelle Drag-&-Drop-Oberfläche für ML Erstellen von, Experimentieren mit und Bereitstellen von Modellen mithilfe von vorkonfigurierten Algorithmen (Python und R) Azure Databricks Spark-basierte Analyseplattform Erstellen und Bereitstellen von Modellen und Datenworkflows Azure Cognitive Services Azure-Dienste mit vorkonfigurierten KI- und ML- Modellen Fügen Sie Ihren Apps auf einfache Weise intelligente Features hinzu Azure Data Science Virtual Machine Virtueller Computer mit vorinstallierten Data Science- Tools Entwickeln von ML-Lösungen in einer vorkonfigurierten Umgebung Microsoft ML On-Cloud
  5. 5. Microsoft Machine Learning. Lokale Optionen 5 Lokale Optionen Funktionsbeschreibung Gebotene Möglichkeiten SQL Server Machine Learning Services In SQL eingebettete Analyse-Engine Erstellen und Bereitstellen von Modellen innerhalb von SQL Server Microsoft Machine Learning Server Eigenständiger Enterprise-Server für prädiktive Analyse Erstellen und Bereitstellen von Modellen mit R und Python Microsoft ML On-Premise
  6. 6. Microsoft Machine Learning. Entwicklungsplattformen & Tools 6 Entwicklungstools Funktionsbeschreibung Gebotene Möglichkeiten ML.NET Plattform-übergreifendes Open-Source Machine Learning Framework Entwickeln von ML-Lösungen für .NET- Anwendungen mit ML-API Infer.NET Plattformübergreifendes Open-Source Machine Learning Framework (wird in ML.NET integriert) Bayessche Inferenz in graphischen Modellen und probabilistische Programmierung mit C# auf .NET und .NET Core Plattformen Das Microsoft Cognitive Toolkit (CNTK) ist ein Open-Source-Bibliothek für Deep Learning. Erlaubt es populäre Deep Learning Modelle wie z.B. Multi-layer Perceptrons (MLPs), Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs/LSTMs) zu realisieren und kombinieren. Windows AI / ML Windows 10 Machine Learning Plattform Auswerten von trainierten ONNX-Modellen auf einem Windows 10-Gerät Microsoft ML Libs & Tools
  7. 7. 7 Microsoft 09.10.2018, 10:20 Uhr Infer.NET: Machine Learning Framework wird Open Source Das Machine Learning Framework Infer.NET von Microsoft wird als Open Source veröffentlicht. Geschichte Infer.NET Projekt wird bei Microsoft Research in Cambridge (GB) am 15 Okt. 2018 gestartet. … und 10 Jahre später als Open-Source Projekt und Teil von ML.NET veröffentlicht.
  8. 8. 8 Agenda Schritt 2. Modell-basiertes Machine Learning (MBML)
  9. 9. 9 Klassische ML Algorithmen logistic regression Deep Learning principal components Boltzmann machines SVMs (support vector machines) HMM Gaussian mixture Kalman filter deep neural networks – FFN, RNN/LSTM, GAN decision trees RVM linear regression Radial basis functions Gaussian process factor analysis Markov random field K-means clustering kernel PCA random forest
  10. 10. Wie unterscheidet sich ein “klassisches” ML-Modell von einem MBML-Modell? Frage ans Publikum
  11. 11. 11 Schritt 2. MBML • Ziel: Ein einheitliches Framework, das die Erstellung einer breiten Palette von maßgeschneiderten Modellen unterstützt. • Algorithmus-basiert (klassisch): "Wie kann ich mein Problem zu einem Standard-Algorithmus zuordnen"? (Als Modell wird passender Algorithmus ggf. mit antrainierten Parametern verstanden) • Modellbasiert (MBML): "Was ist das Modell, das mein Problem darstellt"? Modell-basiertes Machine Learning
  12. 12. 12 Schritt 2. MBML Einige potentielle Vorteile von MBML • Optimierte Modelle Für jede neue Anwendung • Transparente Funktionalität - Modelle, als kompakter C# Code ausgedrückt - Sammlung von Modell-Buildern • Trennung des MBML-Modell vom Trainings- /Inferenzcode • Neue Team-Mitglieder, die Modellierung- Umgebung erlernen produzieren "richtigen Code" automatisch
  13. 13. 13 Schritt 2. MBML Einige potentielle Vorteile von MBML • Optimierte Modelle Für jede neue Anwendung • Transparente Funktionalität - Modelle, als kompakter C# Code ausgedrückt - Sammlung von Modell-Buildern • Trennung des MBML-Modell vom Trainings- /Inferenzcode • Neue Team-Mitglieder, die Modellierung- Umgebung erlernen produzieren "richtigen Code" automatisch
  14. 14. 14 Schritt 2. MBML Intelligente Software Player skill Filmeinstellungen Wörter Kann durch ein Modell beschrieben werden Spielergebnis TinteRatings Ziel: Software, die sich anpassen, lernen und begründen kann
  15. 15. 15 Schritt 2. MBML Intelligente Software Ziel: Software, die sich anpassen, lernen und begründen kann Spielergebnis TinteRatings Argumentation rückwärts Player skill Filmeinstellungen Wörter
  16. 16. 16 Agenda Schritt 3. Ungewissheit „I think it is much more interesting to live not knowing, than have answers which might be wrong“ R. Feynman about Ucertainty of Knowing
  17. 17. 17 Schritt 3. Ungewissheit Mit Ungewissheit handeln • Wir sind unsicher über die Fähigkeit eines Spielers (s. vorletzte Folie). • Jedes Ergebnis liefert relevante Informationen, aber wir sind nie ganz sicher • Wie können wir mit den Unsicherheiten grundsätzlich rechnen?
  18. 18. 18 Schritt 3. Ungewissheit Ungewissheit ist überall • Welchen Film sollte der Benutzer als nächstes ansehen? • Welches Wort hat der Benutzer geschrieben? • Was hat der Benutzer gesagt? • Welche Webseite versucht der Benutzer zu finden? • Auf welchen Link klickt der Nutzer? • Welche Art von Produkt möchte der Benutzer kaufen? • Welche Geste macht der Benutzer? • Und so weiter und so fort ...
  19. 19. 19 Agenda Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur
  20. 20. 20 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur Wer hat der Schatz gestohlen?
  21. 21. 21 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur Wer hat der Schatz gestohlen? Prior-Verteilung 0,3 0,7 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% P(Täter) Krimi-Fall: Täter Prior-Verteilung Museumsdirektor Wächetr
  22. 22. 22 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur Wer hat der Schatz gestohlen? Bedingte Verteilungen
  23. 23. 23 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur
  24. 24. 24 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur Wer hat der Schatz gestohlen? Rand-Verteilungen
  25. 25. 25 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur Wer hat der Schatz gestohlen? Täter-Ermittlung Beobachtung: Nur Direktors PKW hat das Museumsgelände verlassen P(Täter= Direktor | Wagen = Dir.-privat) = P(Wagen=Dir.-privat | Täter=Direktor) * P(Täter=Direktor) / P(Wagen = Dir.-privat) = 0,7 * 0,3 / 0,245 = 0,857 (85,7%)
  26. 26. 26 Schritt 4. Wahrscheinlichkeiten oder dem Täter auf der Spur Ermittlungs-Formel allgemein. Satz von Bayes P(Täter | Wagen) = P(Wagen | Täter) * P(Täter) / P(Wagen) Satz von Bayes Der Satz von Bayes (auch als Formel von Bayes oder Bayes-Theorem bekannt) ist ein mathematischer Satz aus der Wahrscheinlichkeitstheorie, der die Berechnung bedingter Wahrscheinlichkeiten beschreibt. Er ist nach dem englischen Mathematiker Thomas Bayes benannt, der ihn erstmals in einem Spezialfall in der 1763 veröffentlichten Abhandlung "An Essay Towards Solving a Problem in the Doctrine of Chances" beschrieb. Für zwei Ereignisse A und B mit einer Wahrscheinlichkeit P(B) > 0 lässt sich die Wahrscheinlichkeit von A unter der Bedingung, dass B eingetreten ist – P(A|B), durch die Wahrscheinlichkeit von B unter der Bedingung, dass A eingetreten ist – P(B|A), wie folgt errechnen: P(A|B) = P(B|A) * P(A) / P(B) dabei sind P(A) und P(B) die A-priori (unbedingte) Wahrscheinlichkeiten der jeweiligen Ereignissen A und B. Bayes-Satz erlaubt es die Schlussfolgerungen umzukehren. Man geht von einem bekannten bedingten Ereignis mit einer Wahrscheinlichkeit P(B|A) aus, das beobachtet, gemessen usw. werden kann und errechnet mit Bayes-Formel die Wahrscheinlichkeit des unbekannten bedingten Ereignisses P(A|B). Zum Beispiel man möchte die Wahrscheinlichkeit der Schwangerschaft ermitteln, nachdem man ein Schwangerschaft-Schnelltest durchgeführt (beobachtet) hat. Wenn „Täter“ als „A“ und „Wagen“ als „B“ bezeichnen würde bekommt man einen Bayes-Satz.
  27. 27. 27 Schritt 4. Wahrscheinlichkeiten Wahrscheinlichkeit-Features • Begrenzung der unendlichen Anzahl von Versuchen • Quantifizierung der Ungewissheit 60% 40%
  28. 28. 28 Schritt 5. Demo1. Münzenwurf-Spiel. “Direkte Inferenz” Schritt 5. Münzenwurf-Spiele. Demo 1. using Microsoft.ML.Probabilistic.Models; using Microsoft.ML.Probabilistic.Distributions; … private static void Experiment_1() { // PM erstellen Variable<bool> ersteMünzeWurf = Variable.Bernoulli(0.5); Variable<bool> zweiteMünzeWurf = Variable.Bernoulli(0.5); Variable<bool> beideMünzenWurf = ersteMünzeWurf & zweiteMünzeWurf; // Inferenz ausführen Bernoulli ergebnis = engine.Infer<Bernoulli>(beideMünzenWurf); double beideMünzenZeigenKöpfe = ergebnis.GetProbTrue(); Console.WriteLine("Die Wahrscheinlichkeit - beide Münzen " + "zeigen Köpfe: {0}", beideMünzenZeigenKöpfe); …. }
  29. 29. 29 Schritt 5. Demo 1. Münzenwurf-Spiel. “Rückschluss” Schritt 5. Münzenwurf-Spiele. Demo 1. using Microsoft.ML.Probabilistic.Models; using Microsoft.ML.Probabilistic.Distributions; … private static void Experiment_1() { // PM erstellen Variable<bool> ersteMünzeWurf = Variable.Bernoulli(0.5); Variable<bool> zweiteMünzeWurf = Variable.Bernoulli(0.5); Variable<bool> beideMünzenWurf = ersteMünzeWurf & zweiteMünzeWurf; // Beobachtung: beide Münzen zeigen niemals Kopf gleichzeitig beideMünzenWurf.ObservedValue = false; Bernoulli ergebnis2 = engine.Infer<Bernoulli>(beideMünzenWurf); Bernoulli ergebnis3 = engine.Infer<Bernoulli>(ersteMünzeWurf); Console.WriteLine("Die Wahrscheinlichkeit - beide Münzen zeigen Köpfe: {0}", ergebnis2.GetProbTrue()); Console.WriteLine("Erste Münze zeigt Kopf: {0}", ergebnis3.GetProbTrue()); }
  30. 30. 30 Schritt 6. Demo 2. Würfelspiele Schritt 6. Würfelspiele. Demo 2. // Wahrscheinlichkeit von 6 Würfelaugen ist 1 zu 6 = 1/6 ca 0,17 double erfolgWurfel = 0.17; // PM erstellen Variable<bool> ersterWürfelWurf = Variable.Bernoulli(erfolgWurfel); Variable<bool> zweiterWürfelWurf = Variable.Bernoulli(erfolgWurfel); Variable<bool> dritterWürfelWurf = Variable.Bernoulli(erfolgWurfel); Variable<bool> alleWürfelWurf = ersterWürfelWurf & zweiterWürfelWurf & dritterWürfelWurf; // Inferenz-Engine (IE) erstellen InferenceEngine engine = new InferenceEngine(); #if SHOW_MODEL engine.ShowFactorGraph = true; // PM visualisieren #endif // Inferenz ausführen - alle Würfel zeigen 6 Augen Bernoulli ergebnis1 = engine.Infer<Bernoulli>(alleWürfelWurf); double alleWürfelZeigenSechs = ergebnis1.GetProbTrue(); Console.WriteLine("Die Wahrscheinlichkeit, dass alle Würfel "6" zeigen, ist: {0}", alleWürfelZeigenSechs);
  31. 31. 31 Schritt 7. Monty-Hall-Problem. Demo 3. Schritt 7. Demo 3. Monty-Hall-Problem Video-Clip anschauen
  32. 32. 32 Schritt 7. Monty-Hall-Problem. Demo 3. Schritt 7. Demo 3. Monty-Hall-Problem
  33. 33. 33 Schritt 8. Schritt 8. Wie Infer.NET funktioniert
  34. 34. 34 Schritt 8. Infer.NET Workflow Wie Infer.NET funktioniert
  35. 35. 35 Agenda Schritt 9. Unterstützte Modelle
  36. 36. 36 Schritt 9. Infer.NET Modelle Unterstützte Modelle • Mixture models • Factor analysis / PCA / ICA • Logistic regression • Discrete Bayesian networks • Hidden Markov models • Ranking models • Kalman filters • Hierarchical models
  37. 37. 37 Schritt 10. Fazit. Schritt 10. Fazit
  38. 38. 38 Schritt 10. Links • Infer.NET. Hauptseite: https://dotnet.github.io/infer/default.html • Infer.NET. Einführung: https://dotnet.github.io/infer/InferNet_Intro.pdf • Infer.NET. Einführung in die Grundlagen von Infer.NET- Programmierung: https://dotnet.github.io/infer/InferNet101.pdf • Infer.NET. User Guide: https://dotnet.github.io/infer/userguide • Infer.NET. Open-source Quelle, Doku, Tutorials und Code- Beispiele. GitHub.com: https://github.com/dotnet/infer • Infer.NET. Code-Beispiele zum aktuellen Artikel: https://github.com/softfactories/InferNET_Demos • J. Winn, C.M. Bishop. Model-Based Machine Learning (Early Access): http://mbmlbook.com • Infer.NET auf Microsoft Research: https://www.microsoft.com/en-us/research/project/infernet/ • M. Dobrochynskyy. Machine Learning mit Infer.NET, dotnetpro 2019/5-6: https://www.dotnetpro.de/autor/mykola-dobrochynskyy- 1100310.html
  39. 39. 39 Schritt 10. Zusatzlinks (1) • Infer.NET. Variable types and their distributions: https://dotnet.github.io/infer/userguide/Variable%20types%20a nd%20their%20distributions.html • Infer.NET. Open-source Ankündigung. Microsoft Blog: https://www.microsoft.com/en-us/research/blog/the-microsoft- infer-net-machine-learning-framework-goes-open-source/ • Bayessche Inferenz (Schlussfolgerung). Wikipedia.org: http://en.wikipedia.org/wiki/Bayesian_inference • Bayesian Networks (Bayes-Netzwerke). Wikipedia.org: https://en.wikipedia.org/wiki/Bayesian_network • Bayessche_Statistik. Wikipedia.org: https://de.wikipedia.org/wiki/Bayessche_Statistik • Satz_von_Bayes. Wikipedia.org: https://de.wikipedia.org/wiki/Satz_von_Bayes • David J.C. MacKay. Information Theory, Inference, and Learning Algorithms. Cambridge University Press 2003: http://www.inference.phy.cam.ac.uk/mackay/itila/book.html • TrueSkill Ranking System. XBox Live. Microsoft Research: http://research.microsoft.com/trueskill/ • Infer.NET NuGet Packages: https://www.nuget.org/packages?q=Microsoft.ML.Probabilisti • Monty-Hall- oder Ziegen-Problem. Wikipedia.org: https://de.wikipedia.org/wiki/Ziegenproblem
  40. 40. 40 Schritt 10. Zusatzlinks (2) • Infer.NET: Building Software with Intelligence (PDC Präsentation): https://channel9.msdn.com/Events/PDC/PDC09/VTL03 • Wahrscheinlichkeitsverteilung. Wikipedia.org: https://de.wikipedia.org/wiki/Wahrscheinlichkeitsma%C3%9F • Gauß- oder Normalverteilung. Wikipedia.org: https://de.wikipedia.org/wiki/Normalverteilung • Gammaverteilung. Wikipedia.org: https://de.wikipedia.org/wiki/Gammaverteilung • Bernoulli-Verteilung. Wikipedia.org: https://de.wikipedia.org/wiki/Bernoulli-Verteilung • A-priori-Verteilung. Wikipedia.org: https://de.wikipedia.org/wiki/A-priori-Verteilung • A-posteriori-Verteilung. Wikipedia.org: https://de.wikipedia.org/wiki/A-posteriori- Wahrscheinlichkeit#A-posteriori-Verteilung • Bedingte Verteilung. Wikipedia.org: https://de.wikipedia.org/wiki/Regul%C3%A4re_bedingte_Verteilung • Bedingte Wahrscheinlichkeit. Wikipedia.org: https://de.wikipedia.org/wiki/Bedingte_Wahrscheinlichkeit • Joint probability distribution. Wikipedia.org: https://en.wikipedia.org/wiki/Joint_probability_distribution • Mehrdinmensionale (multivariate) Normalverteilung. https://de.wikipedia.org/wiki/Mehrdimensionale_Normalverteilung • Randverteilung. Wikipedia.org: https://de.wikipedia.org/wiki/Randverteilung • A-priori-Wahrscheinlichkeit. Wikipedia.org: • Deep Learning. Wikipedia.org: https://de.wikipedia.org/wiki/Deep_Learning • Probabilistische Programmierung. Wikipedia.org: https://en.wikipedia.org/wiki/Probabilistic_programming_language • Sprachen für probabilistische Programmierung: http://probabilistic-programming.org/wiki/Home • Edward – Tensorflow basierte Python-Bibliothek für Inferenz und Probabilistische Programmierung: http://edwardlib.org/ • Graphviz (Graph-Visualisierung Software): https://graphviz.gitlab.io/download/ • Ockhams Rasiermesser. Wikipedia.org: https://de.wikipedia.org/wiki/Ockhams_Rasiermesser • F. Laumann. How Bayesian methods embody Occam’s razor: https://medium.com/neuralspace/how- bayesian-methods-embody-occams-razor-43f3d0253137 • ML.NET – Microsoft Machine Learning Framework für .NET: https://dot.net/ml • Online Machine Learning. Wikipedia.org: https://en.wikipedia.org/wiki/Online_machine_learning • Hyperparameter (Bayessche Statistik): https://en.wikipedia.org/wiki/Hyperparameter • Zufallsvariable. Wikipedia.org: https://de.wikipedia.org/wiki/Zufallsvariable • Transponierte Matrix. Wikipedia.org: https://de.wikipedia.org/wiki/Transponierte_Matrix • Münzwurf. Wikipedia.org: https://de.wikipedia.org/wiki/M%C3%BCnzwurf
  41. 41. 41 Schritt 10. Zusammenfassung • Infer.NET ist ein in C# geschriebenes open-source Framework, das die Bayes'sche Inferenz mittels probabilistischen Programmierens unter .NET ausführen lässt. • Es bietet moderne Algorithmen und Routinen, um intelligente Features in die Apps einzubauen. Infer.NET hat hervorragende Merkmale, die dieses Framework auszeichnen - verschiedene Inferenz-Algorithmen, perfekte Skalierbarkeit, Plattform-Unabhängigkeit und Erweiterbarkeit. • Mit modellbasiertem Ansatz lässt sich das Domänenwissen in ein Modell integrieren. Anstatt ein Problem einem bereits vorhandenen Lernalgorithmus zuzuordnen, wird es direkt aus jeweiligem Modell ein maßgeschneiderte ML-Algorithmus erstellt und als C#- Code generiert. • Anwendungsszenarien - Spam- und Daten-Eingabe Prüfung/Hervorsage, Programm-Verifikation, Personalisierung, Empfehlung, Rating, Beurteilung uvm.
  42. 42. 42 Vielen Dank! Mykola Dobrochynskyy Software Factories www.soft-fact.de ceo@soft-fact.de ki19.eventbrite.de developer-media.de

×