Machine Learning

Strukturen in Daten finden

Machine Learning

\hat f(x) = \sum\limits_{k=1}^n c_k \Phi_k(x)
\Phi_1 = 1 \\ \Phi_2 = x \\ \Phi_3 = x^2
c_1 \approx 0 \\ c_2 \approx 0 \\ c_3 \approx 1

Lineare Regression

Machine Learning

\hat f(x) = \sum\limits_{k=1}^n c_k \Phi_k(x)
  • Genereller Funktionsapproximator
  • braucht geeignete Basisfunktionen
  • braucht kuratierte Daten

 

Mehr zu Machine Learning

Lineare Regression

Machine Learning

Machine Learning

Deep Learning

Deep Learning

Deep Learning

  • Universeller Funktionsapproximator
     
  • Findet Basisfunktionen selbst?
\hat f(x) = \sum\limits_{k=1}^{n_L} c^{L}_k \Phi_k^{L}(x)

Deep Learning

  • Findet Basisfunktionen selbst
    mit Linearer Regression
\hat f(x) = \sum\limits_{k=1}^{n_L} c^{L}_k \Phi_k^{L}(x) \\ \Phi_k^{L}(x) = \sum\limits_{k=1}^{n_{L-1}} c^{L-1}_k \Phi_k^{L-1}(x) \\ \vdots \\ \Phi_k^{1}(x) = \sum\limits_{k=1}^N c^{1}_k x_k \\

Deep Learning

  • Findet Basisfunktionen selbst
    mit Linearer Regression
\hat f(x) = \sum\limits_{k=1}^{n_L} c^{L}_k \Phi_k^{L}(x) \\ \Phi_k^{L}(x) = \sum\limits_{k=1}^{n_{L-1}} c^{L-1}_k \Phi_k^{L-1}(x) \\ \vdots \\ \Phi_k^{1}(x) = \sum\limits_{k=1}^N c^{1}_k x_k \\

Output Layer

 

 

 

 

Hidden Layers

Input Layer

Deep Learning

  • Findet Basisfunktionen selbst
    mit Linearer Regression
\hat f(x) = \sum\limits_{k=1}^n c_k \Phi_k^{L}(x)
\Phi_k^1 = x_k
\Phi_k^{l} = \sum_k c_k^l \Phi_k^{l-1}
\Phi^l= w \cdot x + b

Weights * Inputs + Bias

Deep Learning

  • Findet Basisfunktionen selbst
    mit Linearer Regression
\hat f(x) = \sum\limits_{k=1}^n c_k \Phi_k^{L}(x)
\Phi_k^1 = x_k
\Phi_k^{l} = \sum_k c_k^l \Phi_k^{l-1}
\Phi^l= w \cdot x + b

Weights * Inputs + Bias

mehr zu Neuronalen Netzen

Deep Learning

  • Spezialgebiet des Machine Learning
     
  • Universeller Funktionsapproximator: Neuronale Netze
     
  • Komplexe Algorithmen

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

  • Natural Language Processing: Übersetzungen, Chatbots
     

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

  • Natural Language Processing: Übersetzungen, Chatbots
     

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Anwendungen

  • Natural Language Processing: Übersetzungen, Chatbots
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

  • Natural Language Processing: Übersetzungen, Chatbots
     

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Anwendungen

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

  • Natural Language Processing: Übersetzungen, Chatbots
     

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Anwendungen

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

Deep Learning

Anwendungen

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

  • Natural Language Processing: Übersetzungen, Chatbots
     

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Anwendungen

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Anwendungen

  • Computer Vision: Klassifizierung, Objekterkennung, Bildgenerierung
     

  • Natural Language Processing: Übersetzungen, Chatbots
     

  • Reinforcement Learning: Gaming, Robotik, Automatisierung
     

  • Zeitreihenanalyse: Markt- & Wetterprognosen, Anomalieerkennung
     

  • Explainable AI: Transparenz, Vertrauen, Sicherheit
     

Deep Learning

Good Practice

  1. Daten Erkunden

  2. Modell & Trainingsloop erstellen

  3. Evaluieren

  4. Overfitten

  5. Regularisieren

  6. Optimieren

nach Karpathy: A receipe for training neural networks

Case Study: Fragestellung

  • Forschungsfragen
  • Ziele
  • Anwendungsdomäne
  • Daten

Report

  • Diskussion
  • Konklusion

Auch hilfreich: Lones: How to avoid machine learning pitfalls