Das Video kommt von YouTube: erst beim Abspielen verbindet sich die Seite mit YouTube (Google).
KI #2 Supervised vs Unsupervised vs Reinforcement Learning
Das Wichtigste aus dem Video
Tipp auf eine Zeit – das Video springt genau dorthin.
Transkriptautomatisch erstellt · 90 Zeilen
- was ist überwachtes lernen was ist ein überwachtes lernen was zum teufel ist das enforcement learning also bestärkt das lernen die antwort auf diese fragen
- mit beispielen gibt hier in diesem video und die verschiedenen lernverfahren irgendwie einzuteilen stell dir mal zum
- beispiel eine frage was macht einem auto aus und das kann man sich verschiedene regeln einfallen lassen ja man kann
- sagen ein auto hat vier reifen super man könnte sagen ein auto ist blauen hat dass wir es natürlich nicht man kann sagen ein auto hat ein dach na das wird
- in dem fall auch nicht funktionieren aber ein autolenker hat ja das würde hier die regel würde hier menschen
- ja jetzt kann man sagen ein update an lenkrad ein auto hat vier reifen ein auto hat kein dach und nach dieser definition wird dass hier kein auto denn
- hier ist ein dach drauf also wenn wir diese regel vielleicht fallen lassen nach der definition mir auch dass kein auto und auch das werk eine auto das
- hingegen wir wieder ein auto und auch das wäre keine ab also wir haben regeln aufgestellt und diese regeln die haben uns jetzt sozusagen gesagt ist es ein
- autojahr dann hin und was wir gemacht haben jetzt wir haben es validiert wir wissen natürlich welche dieser bilder ein auto darstellen und
- welches nicht und wir haben das entsprechend validiert wir haben beim in diesem fall weil wir gewusst haben weil wir wissen welches
- dieser teile hieß bereits ein auto welches nicht haben wir die antwort bereits während dem aufstellen der regel und sozusagen bereits bekannt wir haben
- das schon gewusst wir haben das ergebnis bereits gewusst und weil wir das ergebnis bereits gewusst haben beim trainieren dieser daten ist das bei ein
- überwachtes lernen also beim überwachen lernen nämlich das ergebnis vorweg ich lass ihm die regeln lernen am computer dass es so quasi dann die künstliche
- intelligenz und wenn er die regeln gelernt habt man kann ja auch hoffentlich neue bilder wieder richtig zuordnen ob es ein autist oder eben
- nicht was wir in diesem beispiel group ihre die wörter wenn wir hier die wörter kopieren dann denkt der eine oder andere
- vielleicht okay ich kopiere alle blauen euro andere sagen okay dann in die tiefe gesprungen sind und gehen in den
- exklusiv geschrieben sind der andere würde sagen alle männlichen namen und alle männlichen namen wir haben hier keine richtige oder
- falsche antwort das sind einfach nur verschiedene arten wie wir gruppieren könnten außerdem wer sagt was wir in zwei gruppen gruppen müssen wir können
- auch sagen wir machen vier gruppen alle blauen männlichen namen und alle blauen weiblichen namen also bleibt männliche namen eine gruppe blauer weibliche namen
- wie deine gruppe büro männlichen eine gruppe und die braun weiblichen ebenfalls in einer gruppe auch das wird natürlich funktionieren dann hätten wir
- 4 aber so ein richtig falsch gibt es hier nicht und wenn wir keine infos haben dann
- gruppieren mir einfach irgendwie wir haben keine antwort vorweg also dass hier das wir am beispiel für überwachtes lernen
- hier nochmal dargestellt was ist beim super westberlin in dem fall eine klassifizierung ist es ein auto ja oder nein wie funktioniert das eigentlich
- also wir brauchen einen super weiß training trainings datensätze bei denen die antwort vorgegeben ist also in diesem war dieses bild repräsentieren
- auto auch das bild darunter ein präsentieren auto dieses bild repräsentiert kein auto und dieses ebenfalls kein auto
- natürlich braucht man bei conti intelligenz machine learning viel viel mehr daten hast diese als dieses bisschen mit dem 4 damit das
- wirklich funktionieren kann aber es geht ums konzept also super weist learning ich habe ein bild oder irgend einen datensatz das können auch irgendwelche
- daten sind nun mit bildern ist einfach erklärt und ich habe hier antwort ist ein auto so dass sich die ki den algorithmus sozusagen lernen was macht
- ein autor aus was sind die regeln damit ihr auto raus kommt das richtige antwort und dieses überwachte lernen erzeugt uns dann als ergebnis ein modell 1 km modell
- ein vorhersagemodell das lässt uns das lässt uns dann das können wir dann verwenden also während des menschen allerdings wird dieses modell generiert
- und das soll dann hoffentlich recht genau funktionieren wie das funktioniert das dann verschiedene je nach algorithmus und
- aber die dieses modell können wir dann später verrenken im projekt sozusagen um etwas das er noch nie gesehen hat nämlich zum beispiel dieses bild hier
- herunter durch das modell laufen zu lassen und dann kommt die antwort raus ist es ein auto oder ist es kein auto also während des machine learning
- trainiert diese überwachtes lehrern wird sozusagen generiert versucht die kelly zu lernen was sind die regeln ob etwas ein auto ist oder nicht dazu bekommen
- dass positivbeispiele negativbeispiele es kommt raus dieses modell und dieses modell wird man später verwendet echte vorhersagen zu machen
- beim überwachen lernen werden einfach versucht das thema also die daten dem kein leben also nicht irgendwie schon klassifiziert sind wo wir nichts über
- die daten müssen auch so dass sie da sind er habe deswegen steht hier nicht dabei ob es ein auto so nicht dieses modell also diese daten werden versucht
- irgendwie zu klassifizieren ohren klasse ring zu machen also in zwei oder mehr klassen zu klassifizieren in diesem fall mal in 3d dargestellt und dann
- funktioniert das hoffentlich so dass er eben die autos in eine klasse gibt also zusammenfasst und auch den home zusammenfasst aber diese klasse also den
- hund und diese ende aber diese klasse hat keinen namen er weiß nicht dass das autos ist autos sind er weiß nur okay das sind daten das
- in irgendwie ähnlich und deswegen gebe ich die zusammen was ähnlich heißt und so wie so ein weg torraum modell funktioniert dazu später mehr
- also in dem fall gibt einfach nur glas darin die werte haben keine zusatzinformationen also die antwort ist noch nicht bekannt sie werden einfach
- nur versuchen diese annähernd ja gemeinsame sachen hervorzuheben und diese zu gruppieren so wie kann das jetzt auch aussehen beim super weist
- lernen brauchen wir features ok und beim super restlichen brauchen wir auch die antwort also wir wissen was
- sind autos und lassen keine autos so also wir haben ein auto ja oder nein das ist die antwort jetzt ist die frage was macht mein auto
- aus wir könnten sagen es hat vier reifen wir könnten sagen es hat eine windschutzscheibe wir könnten sagen es hat ein dach oder auch nicht es hat
- unter drei tonnen es hat über 600 kilo und dann können uns noch mehr einfallen das sind features meistens ist sind ja die werte die man in einer jeder hingibt
- nicht echt da ja es ist ein modell es ist ein meistens eine eine vereinfachte vor der daten darstellung
- das heißt wir würden möglicherweise nicht die bilder eingeben sondern einfach nur diese features eingeben also sozusagen ein array mit werden
- was halt hoffentlich die daten repräsentiert bei vielen produktionsprozessen et cetera haben ohnehin nur irgend welche werte
- temperaturwert keine ahnung was die man dann entsprechend in so einem modell rhein gibt um dann entsprechend aussagen zu treffen
- also wir haben features wir haben viele faktoren die uns ebenso einen datensatz repräsentieren ja also versuchen wir das mal
- auszufüllen das heißt der weiße mercedes hier hätte die features 1245 der platz bleibt das ebenfalls das
- dritte opfer hatte nachts zusätzlich das 4 3 und so weiter und so weiter so und was jetzt die klären wenn wir eben nur mit geben wird welche features
- vorhanden sind dann soll die kilian was ein auto ausmacht nämlich es hat vier reifen es hat eine windschutzscheibe ein dach das ist kein feature was jedes auto
- in dem fall hat es hat unter drei tonnen und das hat über 600 kilo und so weiter also es lernt so zu sagen welche features sind relevant um eine aussage
- treffen zu können manche sind relevant er manche seien weniger relevant das ist jetzt sehr sehr vereinfacht da geht sie auch häufig um nach außen um
- kombinationen wasseramt um ihm das modell uns zur verfügung zu stellen um selbst aussagen treffen zu können so was wie jetzt beim super weist
- learning by man super wenn wir features haben natürlich nehmen wir die gleichen her ist die frage wie viele klassen wollen wir eigentlich haben wie viele
- wollen wir kategorisieren vermutlich würden wir sagen so aus menschliche intuition in diesem fall
- wenn wir die daten so sehen wenn wir sagen okay ein klassen ist für die autos ein zweiter klasse verlassen ein dritter für traktoren und wird dafür die
- lockerung ein fünfter für das motorrad also wir würden wahrscheinlich sagen fünf cluster sehen wir uns mal die features die
- features an gebe sie noch mal her wie die unterscheidung möglich wäre auch für glas wie denn das eigentlich ausschaut
- so die zwei sind gleich also absolut gleiche wie die vektoren auch da sind absolut gleich wieder weg das heißt der
- algorithmus wird wahrscheinlich sagen die sind gleich die gehören auf jeden fall zusammen der war sehr unterschiedlich der version
- unterschiedlich und auf basis der features kann mir zwischen loc und lkw nicht unterscheiden könnten wir nicht unterscheiden da ist
- die gleichen wie die rektoren sind sowie viele klarste in diesem fall würden wir sagen 5 es ist natürlich ein abriss im von uns dass wir das als
- menschlich haben häufig wissen wir dass oder wissen wir es auch nicht da gibt es dann verschiedene varianten wie man das wieder rausfinden haben da zumal mir
- später unter umständen könnten features sogar schädlich seinen empfang wenn man zu
- viele hat wenn man sagt diese beiden sind gleich weil einfach die projektoren das nicht lassen oder nicht unterscheiden lassen die autos werden
- jetzt eine variante gewinn gewesen hätten wir das ja oder nein eben nicht gehabt dann wären alle autos in die gleiche
- kategorie gefallen das wäre natürlich toll gewesen ist meistens das was man auch gewollt hätte
- so also die eigentliche frage werden auto ja oder nein und wenn es nur ja oder nein ist dann ist das eigentlich auch ein problem dass er leistungen und
- zu ganz konkret in eine klasse gibt oder sonstwas weil wichtig ist uns dass er alle autos in die richtige klasse gibt ja bzw beim anzug beweist
- haben haben wir eben das thema der clustering überhaupt so was ist jetzt noch ich
- hoffe es kommt das thema ein bisschen einordnen einmal ist die antwort vorweg und einmal ist es das eben nicht beim super werning was ist den regen fragment
- learning brain force mit learning ist so das thema zuckerbrot und peitsche also für gutes verhalten wird belohnt für schlechtes verhalten wird abgestraft
- das kennt vielleicht der ein oder anderen aus anderen sachen drehmoment lernen wir gerne bei computerspielen verwendet er hat zum beispiel
- wie eben ja alfalfa gehoben auf eur entsprechend später sozusagen den besten menschen im schach bzw später auch ingo
- geschlagen haben wie funktioniert das im endeffekt haben in diesem fall den computer gegen sich selbst spielen lassen also ein algorithmus gegen sich
- selbst spielen lassen und jetzt mal wenn der algorithmus gewonnen hat hat er sozusagen eine belohnung bekommen er hat einen roboter halten einfach punkte und
- jedes mal wenn ich verloren hat dann hat er die peitsche bekommen das heißt einen entsprechenden punkte abzug das ziel des
- algorithmus war es die punkte zu maximieren und das einzige was der computer wusste sind sozusagen die regeln vom schach die regeln habt ihr
- gewusst aber nicht wie man sie konkret anwendet um gut zu werden das hat die kirche selbst gelernt durch diese stream vor allem durch die zuckerbrot und
- peitsche indem einfach jeder gut dazu belohnen wird um ein schlechter zug abgestraft wird sowas ist gut und schlecht in dem fall die bewertungen
- immer ein riesenproblem in dem fall sind sie einfach hergegeben haben im millionen-spiel gegen sich selbst machen lassen und haben dann eben versucht
- druck zu rechnen bei jedem spieler dass er gewonnen hat was in gute und schlechte zu bewahren und zu ertragen manning ist denn so etwas reinforcement
- learning ist beispielsweise auch genetische programmierung oder genetischer algorithmen man versucht über über evolutionstheorie
- was zu machen gibt es auch mal was eigenes dazu auch das wäre import mit learning na gut das war in schon wieder ziemlich viel in diesem sinne viel spaß
- beim drüber nachdenken und wenn es euch gefallen hat erst seien ab und ab
Zum Nachlesen
Maschinelles LernenMaschinelles Lernen (ML) entwickelt, untersucht und verwendet statistische Algorithmen, auch Lernalgorithmen genannt. Solche Algorithmen können lernen, …
KlassifikationsverfahrenDas Erzeugen von Strukturen aus vorhandenen Daten wird auch als Mustererkennung, Diskriminierung oder überwachtes Lernen bezeichnet. Dabei werden …