Maschinelles Lernen · 14.6.2018 CiT - Peter Auer - ML 5 Überwachtes Lernen (Supervised learning) • Input für Lernen: – Trainingsbeispiele (Merkmale + korrekte Vorhersage)

Maschinelles Lernen

Peter AuerLehrstuhl für Informationstechnologie

14.6.2018 CiT - Peter Auer - ML 2

Was ist ML?

• Erkennen/Lernen von Zusammenhängen an Hand von Beispielen (=Trainingsdaten)

• Treffen von Vorhersagen/Entscheidungen unter Verwendung der „gelernten“ Zusammenhänge


Beispiel Ziffernerkennung

2 4 9

Lernalgorithmus/Vorhersage



Lernalgorithmus

Vorhersageparameter


Überwachtes Lernen(Supervised learning)

• Input für Lernen: – Trainingsbeispiele (Merkmale + korrekte Vorhersage)

• Output:– Parameter für die Vorhersage

• Input für die Vorhersage:– Neue Merkmale

• Output:– Vorhersage auf Grund der Merkmale und gelernten Parameter


Einige Lernalgorithmen• Entscheidungsbäume• Naive Bayes• Nearest Neighbor• Bayesian Networks• Hidden Markov Models• Neuronale Netze und Deep Learning• Support Vector Machines (SVMs)



Lernalgorithmus

Vorhersageparameter


Testen der Qualität der Vorhersage!

• Reproduktion der korrekten Vorhersagen für die Trainingsbeispiele ist nicht ausreichend!

Benötigen daher neue Testbeispiele, für die die korrekte Vorhersage bekannt ist:

Genauigkeitsgarantie Anz. Testbeispiele10% 100 – 10001% 1000 – 10000


Qualität und Menge der Trainingsbeispiele

• Qualität:– Gute Abdeckung der relevanten Datenbereiche– Relevant Information muss in den Daten

enthalten sein.• Menge:

– Hängt von der notwendigen Komplexität der Vorhersagefunktion ab.


Wann kann der Einsatz von ML sinnvoll sein?

• Erstellung eines (analytischen) Modells ist schwierig.

• Es bestehen wesentliche Unsicherheiten im Sinne von Zufälligkeiten.

• Was ist der Business Case?

• Verfügbarkeit von Daten

14.6.2018 Projekte – CiT – ML 11

Erkennen von Bildinhalten

14.6.2018 Projekte - CiT - ML 12

Lernen von relevanten Merkmalen


Herkunftsbestimmung Coltan

• Aus welcher Lagerstätte kommt das das Coltan?

• Klassifikation des geochemischen Fingerabdrucks


Andere Lern-Szenarien• Unsupervised: Clustering• Interaktiv:

– Lernalgorithmus frägt nach benötigter Information.

• Reinforcement Learning:– Steuerungen: Roboter, AlphaGo– Feedback erst nach mehreren Entscheidungen


Optische Bildersuche: Auto auf einer Wiese


Zusammenfassung ML• Datengetriebene Methoden zum Treffen von

Vorhersagen und Entscheidungen.• Vorteile, wenn optimale Vorhersagen oder

Entscheidungen nicht explizit beschrieben werden können.

• Benötigt ausreichend viele und gute Daten.• Vernünftige Evaluierung notwendig.• Potentielle Anwendungsmöglichkeiten in der

Abfallwirtschaft.

Documents

Maschinelles Lernen · 14.6.2018 CiT - Peter Auer - ML 5 Überwachtes Lernen (Supervised learning) • Input für Lernen: – Trainingsbeispiele (Merkmale + korrekte Vorhersage)