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.

Wie Maschinen lernen - Ein Überblick

391 views

Published on

Dies ist ein Vortrag, der im Rahmen der Digitalen Woche Kiel gehalten wurde. Es geht hierbei um die Grundzüge des Machine Learnings - dem Hauptzweig der Künstlichen Intelligenz.

Published in: Technology
  • Be the first to comment

Wie Maschinen lernen - Ein Überblick

  1. 1. Wie Maschinen Lernen Ein Überblick Dr. Christian Wiele @christian_wiele
  2. 2. ©2017 gezeitenraum Was ist Machine Learning? 2
  3. 3. ©2017 gezeitenraum Machine Learning ist die vorherrschende Disziplin im Bereich Künstliche Intelligenz (KI)/ artificial Intelligence (AI) 3
  4. 4. ©2017 gezeitenraum Machine Learning = autonomes Muster lernen und Erkennen 4
  5. 5. Begriffsklärung ©2017 gezeitenraum 5 Datenquelle DatenPool Wertschöpfung z.B. IoT „Big Data“ z.B. Machine Learning Deep Learning Spez. Ansatz
  6. 6. ©2017 gezeitenraum Warum sollten sie sich mit Machine Learning beschäftigen? 6
  7. 7. Anwendungsgebiete ©2017 gezeitenraum Bilderkennung ➡z.B. autonomes Fahren, Krebsdiagnose Spracherkennung ➡z.B. Siri Natural language processing (NLP) ➡maschinelle Übersetzung, Chat Bots Generelle Muster ➡Click Stream Analyse, Betrugserkennung, Cybersicherheit, Empfehlungssysteme 7
  8. 8. Ist ML mehr als ein hype? ©2017 gezeitenraum 8
  9. 9. KI könnte vorbei sein, bevor es beginnt ©2017 gezeitenraum 9 http://www.techzone360.com/topics/techzone/articles/2017/01/25/429101-eus-right-explanation-harmful-restriction-artificial-intelligence.htm
  10. 10. ©2017 gezeitenraum 95% aller Entwicklertools, Modelle und Lernmaterialien sind frei zugänglich GPU für 1€/h mietbar 10
  11. 11. ©2017 gezeitenraum Was hindert uns an der Beschäftigung mit Machine Learning? 11
  12. 12. ©2017 gezeitenraum Mathe Englisch 12
  13. 13. Öffentliche Wahrnehmung von KI ©2017 gezeitenraum 13
  14. 14. ©2017 gezeitenraum Werden wir bald von übermenschlichen Maschinen dominiert? 14
  15. 15. ©2017 gezeitenraum Es gibt keinerlei Hinweise, dass wir uns bald der Singularität nähern! 15
  16. 16. ©2017 gezeitenraum Es gibt weder ein Verständnis des menschlichen Bewusstseins, noch eine feste Definition von Intelligenz. 16
  17. 17. Zwei Argumente ©2017 gezeitenraum Quelle: Wikipedia 17
  18. 18. Zwei Argumente (cont.) ©2017 gezeitenraum 18
  19. 19. Machine Learning: Verständnis ©2017 gezeitenraum 19 ML als black box anwenden verstehen Forschung
  20. 20. ©2017 gezeitenraum Nun aber: Worum geht es beim Machine learning? 20
  21. 21. zentrale Herausforderung ©2017 gezeitenraum 21 Worin Menschen gut sind Worin Maschinen gut sind (73492.232 + 2049.3827) * 883792.45
  22. 22. Lernansätze ©2017 gezeitenraum 22 überwachtes Lernen nicht-überwachtes Lernen Banane Traube Banane X X X X X X X X X X X X X X X X X X X X X X XX X X X
  23. 23. AIpoly ©2017 gezeitenraum 23
  24. 24. ©2017 gezeitenraum Wie funktioniert es? 24
  25. 25. Klassischer Programmieransatz ©2017 gezeitenraum 25 If (pixel1 == … And Pixel2 == …) Then … Else IF …
  26. 26. Die Fruchtfliege des ML: MNIST ©2017 gezeitenraum 26 55.000 handgeschriebene Ziffern 28x28 pixel
  27. 27. Alternativansatz: Lochmaske ©2017 gezeitenraum 27 Input Lochmaske Überdeckung
  28. 28. Neuronales Netz: Ziffernerkennung ©2017 gezeitenraum 28 Input 1 2 3 4 5 6 7 8 9 0 Outputneuronen 2 3 4 5 6 7 8 9 10 1 12 2 3 17 18 1 25 24 ……… … … verdeckte Neuronen Output
  29. 29. Künstliches Neuron: Innenansicht ©2017 gezeitenraum 29 Logik: Ergebnis = eine Zahl Output: 1 = aktiviert 0 = nicht aktiviert
  30. 30. Neuronales Netz: Ziffernerkennung ©2017 gezeitenraum 30 Input 1 2 3 4 5 6 7 8 9 0 Outputneuronen 2 3 4 5 6 7 8 9 10 1 12 2 3 17 18 1 25 24 ……… … … verdeckte Neuronen Output
  31. 31. Aktivierung ©2017 gezeitenraum 31 verdecktes Neuron 12: rot überwiegt —> feuern Input Maske / Gewichte gewichteter Input verdecktes Neuron 13: blau dominiert —> nicht feuern =X =X
  32. 32. Neuronales Netz: Ziffernerkennung ©2017 gezeitenraum 32 Input Output-Neuronen 1 2 3 4 5 6 7 8 9 0 2 3 4 5 6 7 8 9 10 1 … 12 2 3 17 18 1 25 24 ……… … Innere-Neuronen Output
  33. 33. Relevante Pixelstrukturen ©2017 gezeitenraum 33 Neuron 12 Neuron 18 Neuron 25
  34. 34. ©2017 gezeitenraum Wie lernt das System? 34
  35. 35. Lernprozess ©2017 gezeitenraum 35
  36. 36. Ziel: Fehler minimieren ©2017 gezeitenraum 36 Fehler {Parameter 1 Parameter 2
  37. 37. Neuronales Netz: Lernprozess ©2017 gezeitenraum 37 Input Output-Neuronen 2 3 4 5 6 7 8 9 10 1 12 2 3 17 18 1 25 24 ……… … … Innere-Neuronen Output 1 2 3 4 5 6 7 8 9 0 Fehler Fehler Fehler kleine Änderung der Parameter
  38. 38. ©2017 gezeitenraum Welche Probleme / Risiken gibt es bei ML-Systemen? 38
  39. 39. Risiken ©2017 gezeitenraum ➡Eine ML System kennt nur das, was es gelernt hat ➡Getroffene Entscheidungen können nicht / nur schwer nachvollzogen werden ➡Es können Zusammenhänge/Muster aufgedeckt/genutzt werden, die aus ethischer / gesellschaftlicher Sicht nicht ausgenutzt werden sollten 39
  40. 40. ©2017 gezeitenraum Wo fängt man am besten an? 40
  41. 41. ©2017 gezeitenraum 41 https://www.coursera.org/learn/machine-learning/
  42. 42. fast.ai ©2017 gezeitenraum 42 http://fast.ai
  43. 43. Toolset ©2017 gezeitenraum Python ➡Theano, Tensorflow, Keras, NumPy, PyTorch … ➡Jupyter notebook Lineare Algebra Zugang zu GPU ➡AWS, Google, oder eigene Maschine … Zeit und Motivation für Experimente 43
  44. 44. Der machine learning experte ©2017 gezeitenraum 44
  45. 45. Geschafft ©2016 gezeitenraum 45 Vielen Dank! Dr. Christian Wiele christian@gezeitenraum.com @christian_wiele @gezeitenraum

×