Trainingsdaten, Testdaten, Labeled, Unlabeled, Supervised/Unsupervised Learning | Prof. Griesbauer
Prof Joe
https://www.youtube.com/watch?v=sJYKxmzwqfo

Transkript (automatisch erstellt)

0:06 bevor wir uns zumindest ein beispiel noch mal sehr konkret durch accell den anwendungen noch ein paar bier der auftauchenden die immer wieder
0:15 verwendet werden in diesem bereich des machine learning smit diese neuronalen netzen es hat sich einfach an was viele begriffe sind und sagen paar worte dazu
0:22 zum einen hat man immer gegenübergestellt den begriff trainingsdaten und
0:30 testen können sind die genau das gleiche die idee ist folgende
0:37 man hat einen datensatz von ölen datensystem bei dem was verstehen will also irgendwas kommt rein und man wird zum beispiel der vorhersage von
0:47 aktienkursen machen man kriegt die aktienkurse von gestern und soll damit die von wolken vorhersagen und krieg die zeit die historischen daten vom letzten
0:55 jahr wo viele gäste und viele morgens dabei sind jetzt kann man dieses gestern und morgen jeden einzelnen datensätze über das ganze jahr verwenden um
1:04 zuglinien sein netzwerk das ist schon mal eigentlich keine schlechte idee aber was man typischerweise macht ist man nimmt zb
1:12 das erste dreiviertel jahr als trainingsdaten und trainiert damit das netzwerk und schaute auf dem letzten vierteljahr das nennt man dann testdaten
1:22 wie gut denn jetzt dieses netzwerk tatsächlich funktioniert wie kurz denn vorher sagt eigentlich das heißt bei den gegebenen
1:30 daten nimmt man daten zum testen her um das netzwerk daraufhin zu überprüfen wie gut denn jetzt abstrahieren kann also von dem vergangenen dreiviertel jahr auf
1:42 das folgende vierteljahr der vergangenheit schließen kann wenn das dann gut funktioniert mit den testdaten dann kann man dann hat man guten grund
1:50 zu glauben dass es wahrscheinlich auch in zukunft ganz gut funktionieren würde also wie die folgenden tage mit denen man dann tatsächlich vorhersagen trifft
1:57 ein punkt trainingsdaten und testdaten bei den daten selber hat man meistens noch mehr unterscheidung zwischen label und an
2:11 labeln daten was soll das bedeuten label ist der klassische fall klick 100 bilder von äpfeln
2:20 und ich die waffel der hinter der zu 100 bilder von birnen da steht jeweils bühne dahinter dann ist das label dieses wort apfel oder dieses wort birne und die
2:29 daten sind gelabelt kriegen im bild immer der zug sagt was es ist das was sie eigentlich braucht krieg eingänge und ausgänge mit denen ich trainieren
2:37 kann es gibt aber die situation wo man zum beispiel nur strukturen erkennen will die kennt man vorher nicht das heißt man einfach nur daten von denen
2:46 man denkt da stecken struktur dahinter kann aber nicht hin schreiben hier ist eine struktur da ist die struktur der irgendwie sowas man kann sie also nicht
2:52 markieren bisschen an label daten man kann aus jedem beliebigen datensatz immer ein umgeleiteten machen ist klar ich kann einfach
3:03 diese beschreibung apfel von dem bild apfel wegnehmen und schauen was man mit label daten liefern immer konkrete ergebnisse an label die daten liefern
3:14 ergebnisse die vielleicht von wert sind aber nicht sehr konkret sind oftmals kombiniert man auch beide datenarten und trainiert zum beispiel netzwerk geht
3:23 zuerst mal ohne dass man hin schreibt was das ergebnis ist und versieht erst dann mit der beschreibung das ist eigentlich wie beim menschen am anfang
3:32 eines lebens eines menschens da schaut er einfach ab was in der umgebung herum und weiß nicht dass ein apfel ist aber er schaut den apfel die ganze zeit an
3:39 dadurch dass der abgang schaut wird passen sich die neuronen an einfach nur weil er den apfel anschaut also nie die passen sich irgendwie an die umgebung an
3:47 die gewöhnen sich an die umgebung und weil man jetzt jemanden der schon 100 mal abgesehen hat aber keine ahnung hat dass der abt vielleicht sagt diesen
3:54 apfel ein falls ihm leichter sich das zu merken man muss ja nicht neben b bestehen und unterm als ein apfel apfel deswegen weiß es weniger als er nicht
4:05 mehr da sind apfel ist als vorher wichtig ist das ist das erkennt aber 2 die begriffe gefolgt von
4:13 drei begriffen die immer wieder auftauchen die sind auch gewissermaßen gebunden an gehe an die daten des gemeinen super weist learning
4:26 naja wenn super weiß lernen gibt dann gibt es ja auch an super reißleine und am ende wie enforcement learning
4:47 der erste teil hier ein medley bilddaten zusammen es wenig super weist man überwacht was man reinsteckt nun was raus kommt und schaut dass das netzwerk
4:57 das möglichst gut wiedergibt auf den trainingsdaten und hofft dass es auf den test daten wirklich gut funktioniert normaler vorgang über den haben jetzt
5:05 hauptsächlich sprachen an super weiß lerne man hat an label daten man weiß eigentlich nicht so drin steckt weiß nicht was man daraus lernen will man
5:12 muss sich überlegen wie man da damit das netzwerk trainieren kann man mal kennen eine methode scheint im ersten moment ein bisschen
5:20 magie zu sein aber wenn ihr einfach wirklichen krieg zeigt dann was draus dann fragt man sich was aber wie der mensch auch irgendwie aus dem reinen
5:30 apfel anschauen herausfindet dass ein apfel immer wieder ein apfel ist also die ähnlichkeiten erkennen obwohl er nicht weiß dass es ist können dass
5:37 solche netzwerke machen dann kommt der dritte teil wie enforcement learning ihre modernen grad sehr sehr viel in der bearbeitung in der forschung soll
5:47 bedeuten hier geht es darum wie agenten in ihrer umwelt agieren beispiel soll tennisspieler ninja und dann sagt einem einer verwendet der rückhand mehr
5:57 verwendet eine vorhanden das heißt man irgendwie eine umwelt die einem stanley spielen beibringen will dann kommt der lehrer hat sagt ich soll irgendwas
6:05 anders machen irgendwas hat mich gut funktioniert das versucht man hier zu verkörpern in der form dass man sagt man einen agenten in der umwelt der agiert
6:15 in der umwelt und kann die umwelt beobachten die aktionen die an der umwelt ausführt führen zu einer reaktion der umwelt auf den agenten was dann so
6:24 ausgedrückt wird beim reinforcement lernen dass der agent eine belohnung bekommt dann etwas gutgemacht hat mit einer gut tennis gespielt hat oder keine
6:31 belohnung kriegt wenn er nicht gut tennis spielen hat über krankheit mir noch was nicht gut gemacht hat jetzt versucht dann der agent auf grundlage
6:38 dessen und den beobachtungen die ja in der umgebung macht hat irgendwie zu erlernen möglichst viel belohnungen zu bekommen ist eine komplexe aufgabe weil
6:49 hier noch einen schritt dahinter steckt also oftmals wird das mit neuronalen netzen gemacht also steckt noch gar nicht so im kern dieses ganzen vorgangs
6:58 das problem hier ist natürlich auch an belo nicht mehr erkennen beispiel schachspiel man kann vier stunden lang schach spielen und am krieg
7:07 ganz am schluss nach 2007 die belohnung ich habe gewonnen oder nicht und jetzt sollen wir daraus lernen
7:15 das ist ein großes problem dass hier dahinter steckt die belohnung kommt relativ spät in fast allen fällen mal etwas gut gemacht wenn es gut worden
7:24 ist am ende aber vielleicht ist mir diesen vorgang bevor wichtig und wie kann man daraus möglichst effizient oder sinnvoll langen genau sehr modern weil
7:34 hier auch sehr allgemein anwendbar das kann eigentlich mit allen machen man kann am ende immer sagen was gut ist schlecht oder der mensch für sich kann
7:40 behaupten hat es ist gut wenn es der roboter alle selbstständig kann und mir die brotzeit an den tisch bringt das finde ich gut das kann am ende sagen
7:49 aber was muss der land in der mitte das überhaupt kann deswegen sehr interessantes gebiet natürlich auch wir werden uns er hier
7:57 aufhalten vielleicht mit einem kleinen ausblick in dem bereich aber wirklich nur als ausblick in einem sehr einfachen maßstab