Theorie - Künstliche Intelligenz, Maschinelles Lernen, Deep Learning
This is a modal window.
The media could not be loaded, either because the server or network failed or because the format is not supported.
Formal Metadata
Title |
| |
Title of Series | ||
Number of Parts | 79 | |
Author | 0009-0004-1811-9699 (ORCID) | |
License | CC Attribution 4.0 International: You are free to use, adapt and copy, distribute and transmit the work or content in adapted or unchanged form for any legal purpose as long as the work is attributed to the author in the manner specified by the author or licensor. | |
Identifiers | 10.5446/65496 (DOI) | |
Publisher | ||
Release Date | ||
Language | ||
Production Year | 2023 | |
Production Place | Heinrich-Heine-Universität Düsseldorf |
Content Metadata
Subject Area | ||
Genre | ||
Abstract |
| |
Keywords |
12
17
18
34
36
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
56
58
59
61
63
66
67
68
69
71
74
75
78
79
00:00
Zusammenhang <Mathematik>Artificial intelligenceMachine learningJSONXMLComputer animation
00:45
Computer scienceComputer scienceArtificial intelligenceMachine learningComputer animationLecture/Conference
01:00
Machine learningMachine learningSet (mathematics)RobotField extensionLinear regressionComputer animation
01:52
PredictionMachine learningSet (mathematics)ComputerPhysical quantityComputer animation
03:00
InferenceMachine learningReinforcement learningRun-time systemAutonomes FahrzeugComputer animationProgram flowchartLecture/Conference
03:29
InferenceRoboticsMachine learningInferenceRobotInferenceComputer animationProgram flowchart
03:37
Machine learningSoftwareLecture/Conference
03:53
Machine learningStatement (computer science)Programmer (hardware)Computer animation
04:05
Machine learningProgrammer (hardware)Statement (computer science)Lecture/Conference
04:22
Mathematical analysisInformationSpeciesRun-time systemPredictionPower (physics)Computer animation
05:04
Reinforcement learningSimilarity (geometry)Unsupervised learningSet (mathematics)AlgorithmPredictionZusammenhang <Mathematik>Statement (computer science)Programming languageMathematical structureModule (mathematics)Machine learningoutputSupervised learningAtomic nucleusComputer programFocus (optics)Lecture/Conference
07:38
Computer scienceData dictionarySeries (mathematics)Statement (computer science)Computer animationLecture/Conference
07:57
Machine learningProfessional network serviceScientific modellingLecture/Conference
08:29
Computer animation
08:42
Scientific modellingProfessional network serviceMachine learningJunction (traffic)Social classMeeting/Interview
09:57
Expert systemComputer animationXML
Transcript: German(auto-generated)
00:06
Wenn wir über Künstliche Intelligenz sprechen, tauchen zwei Begriffe häufig im Zusammenhang auf. Machine Learning bzw. Maschinelles Lernen und Deep Learning, das übersetzt tiefes Lernen bedeutet. Wie unterscheiden sich diese drei Begriffe, also KI, Machine Learning
00:23
und Deep Learning oder können sie sogar austauschbar verwendet werden? Auch hier gilt, es gibt keine allgemeingültige Definition, die alle drei Begriffe eindeutig in Zusammenhang setzt. Es gibt aber unter den meisten ForscherInnen einen Konsens darüber, in welchem Verhältnis die Begriffe zueinander stehen. Schauen wir uns dazu eine vereinfachte
00:45
Grafik an. Wir können uns zunächst darauf einigen, dass Künstliche Intelligenz ein Teilgebiet der Informatik darstellt. Allein das ist schon diskutabel, da KI mittlerweile in so gut wie jedem Fachgebiet eine Rolle spielt, aber wir fokussieren uns hier vor allem auf die Methodik. Das Maschinelle Lernen ist wiederum ein Teilgebiet der künstlichen
01:05
Intelligenz. Es gibt auch andere Forschungsbereiche in der KI, zum Beispiel überschneidet sich die Robotik mit diesem Feld, aber der Großteil der aktuell sehr populären Forschungsgebiete und praktisch alles, was wir in diesem Kurs behandeln, lässt sich dem Maschinellen Lernen zuordnen. Maschinelles Lernen kann man sehr allgemein als Lernen aus
01:26
Diese Disziplin lässt sich wiederum grob in zwei Kategorien einteilen. Das eher klassische und traditionelle Feld des Maschinellen Lernens beschäftigt sich mit statistischen Lernmethoden wie beispielsweise Entscheidungsbäumen, lineare Regressionen und Erweiterungen davon
01:41
oder Klassifikationsalgorithmen. Diese funktionieren auch schon mit einer kleinen Menge an Daten ziemlich gut und haben den großen Vorteil, dass sie mathematisch sehr gut verstanden und erforscht sind. Ein neueres Feld des Maschinellen Lernens ist das Deep Learning. Richtig erfolgreich werden diese Methoden erst seit kurzer Zeit angewandt,
02:01
obwohl die Theorie dahinter schon seit mehreren Jahrzehnten existiert. Der Grund dafür ist die ständig wachsende Menge an Daten, die wir zur Verfügung haben und die gesteigerte Rechenleistung von Computern. Im Gegensatz zum klassischen Maschinellen Lernen werden für Deep Learning Anwendungen große Mengen an Daten benötigt. Damit können dann häufig
02:20
viel genauere Vorhersagen getroffen werden als mit klassischen Methoden und teilweise spezifische Aufgaben besser und schneller gelöst werden als vom Menschen, was dann einer schwachen KI entspricht. Der große Nachteil ist, dass das Feld so jung ist, dass es mathematisch erst im Augenblick erforscht wird und nicht vollständig verstanden ist. Daher redet man oft von sogenannten Black Box Methoden. Wie gesagt, ist diese
02:46
Kategorisierung nicht die einzige Möglichkeit KI, ML und DL voneinander abzugrenzen. Im Dokument zur Definition von KI der Europäischen Kommission wird KI als wissenschaftliche Disziplin folgendermaßen visualisiert. Hier gibt es auch das Teilgebiet des Maschinellen
03:03
Lernens, wobei Deep Learning und Reinforcement Learning als spezifische Beispiele genannt werden. Reinforcement Learning bedeutet B- oder Verstärkungslernen. Dabei geht es darum, dass eine sogenannte Agentin mit der Umgebung interagiert, um eine Belohnung zu maximieren.
03:20
Das klingt sehr abstrakt, aber zum Beispiel wird Bestärkungslernen verwandt, um Schach oder Go gegen Menschen zu spielen oder autonome Fahrzeuge zu steuern. In der Grafik sehen wir ein weiteres Feld, das wir in diesem Kurs nicht explizit behandeln werden, Reasoning bzw. Schlussfolgern. Die Robotik schneidet das Feld der KI teilweise,
03:41
vor allem wenn es um die Software geht. Schauen wir uns einmal die beiden Felder Machine Learning und Deep Learning genauer an. Hier sind zunächst zwei Definitionen des Maschinellen Lernens. Der Prozess, bei dem Computer die Art, wie sie Aufgaben ausführen, ändern, indem sie aus neuen Daten lernen, ohne dass ein Mensch Anweisungen in Form eines
04:03
Programms geben muss. Hier wird also wieder das Lernen von Daten hervorgehoben, wobei der zweite Teil etwas missverständlich ist, weil ja gerade Anweisungen in Form eines Programms gegeben werden, dieses Programm aber selbstständig ohne menschliche Interaktion lernt. Eine zweite Definition lautet folgendermaßen. Maschinelles Lernen kann allgemein definiert
04:25
werden als computergestützte Methoden, die Erfahrungen nutzen, um Leistungen zu verbessern oder genaue Vorhersagen zu treffen. Erfahrung bezieht sich hier auf die Informationen, die Lernenden in der Vergangenheit zur Verfügung standen, typischerweise in Form von elektronischen
04:41
Daten, die gesammelt und für die Analyse zur Verfügung gestellt wurden. Bei diesen Daten kann es sich um digitalisierte, von Menschen beschriftete Trainingssätze oder um andere Arten von Informationen handeln, die durch Interaktion mit der Umgebung gewonnen In allen Fällen sind ihre Qualität und Größe entscheidend für den Erfolg der von Lernenden
05:02
getroffenen Vorhersagen. Eine Definition benötigen wir noch, weil der Begriff immer wieder auftaucht. Was ist eigentlich ein Algorithmus? Ein Algorithmus gibt eine Abfolge von Anweisungen an, um ein bestimmtes Problem zu lösen. Häufig werden diese dann in Form eines Computerprogramms in einer ausgewählten Programmiersprache ausgeführt. Es gibt einen
05:24
Input bzw. eine Eingangsgröße, das können in der Praxis einfach Zahlen, zum Beispiel Messwerte sein. Der Kern des Algorithmus ist die Abfolge von Anweisungen bzw. eindeutig definierten Schritten. Als Ergebnis erhalten wir den Output bzw. die Ausgangsgröße.
05:42
Zurück zum maschinellen Lernen. Methodisch können wir das in drei Kategorien einteilen. Supervised Learning bzw. überwachtes Lernen, unsupervised Learning oder unüberwachtes Lernen und das eben kurz erläuterte Reinforcement Learning bzw. bestärkendes Lernen. Letzteres ist in diesem Modul unseres Kurses nicht im Fokus. Schauen wir uns also den Unterschied
06:05
zwischen überwachtem und unüberwachtem Lernen an. Wie der Name eigentlich schon verrät, haben wir beim überwachten Lernen die Kontrolle darüber, was gelernt werden soll. Wir stellen dem Algorithmus nicht nur Daten, sondern auch sogenannte Labels zur
06:20
Verfügung. Das bedeutet, dass wir unsere Daten so kennzeichnen, dass bereits klar ist, was gelernt werden soll. Ein konkretes Beispiel dazu ist die Klassifikation von Hunde- und Katzenbildern. Die Daten, mit denen der Algorithmus lernen soll, sind also viele verschiedene Bilder von Hunden und Katzen. Dazu ist jedes Bild mit Label Hund oder Katze versehen. Das ML-Programm sieht also eine große Menge an Beispielen für
06:47
die Klassifikation, die es später selbstständig mit neuen, nicht gesehene Daten durchführen soll. Der erste Teil des überwachten Lernens nennt sich Training des Algorithmus. Die zweite Stufe ist dann der Schritt der Vorhersage. Typischerweise dauert das Training deutlich
07:04
länger als die Vorhersage. Beim unüberwachten Lernen besitzen die Daten keine Labels und wir erwarten von dem Algorithmus dadurch, dass wir nicht vorgeben, was gelernt werden soll, keine spezifischen Vorhersagen. Vielmehr ist das Ziel, dass der Algorithmus selbstständig
07:21
Zusammenhänge und Strukturen in Daten findet. Typische Beispiele für unüberwachte Lernmethoden sind Clustering-Methoden. Hier sollen Ähnlichkeiten von Daten gefunden werden, mithilfe derer dann Gruppen oder Cluster gebildet werden. Schauen wir uns jetzt das kleinste Teilgebiet in unserer Grafik an, das Deep Learning. Eine Definition aus dem Cambridge
07:43
Dictionary lautet, eine Art von künstlicher Intelligenz, die Algorithmen, also eine Reihe von mathematischen Anweisungen oder Regeln verwendet, die darauf basieren, wie das menschliche Gehirn funktioniert. Auch hier müssen wir vorsichtig sein. Modelle,
08:01
die im Deep Learning typischerweise verwandt werden, sind neuronale Netzwerke. Dessen Aufbau ist inspiriert vom menschlichen Gehirn und Netzwerken, die Neuronen verbinden. Biologische neuronale Netzwerke sind aber noch viel komplexer als künstliche und noch gar nicht vollständig erforscht. Wie alle Modelle sind neuronale Netzwerke
08:21
höchstens stark vereinfachte Versionen der Realität. Eine zweite Definition in Oxford Languages lautet, eine Art des maschinellen Lernens auf der Grundlage künstlicher neuronaler Netze, bei der mehrere Verarbeitungsebenen verwendet werden, um schrittweise detailliertere Merkmale aus Daten zu extrahieren. Hier finden sich einige
08:44
Fachbegriffe. Künstliche neuronale Netzwerke sind, wie wir gerade gelernt haben, die von biologischen neuronalen Netzwerken inspirierten Modelle im Deep Learning. Hier sehen wir ein vereinfachtes Modell. Es besteht aus Knotenpunkten oder, wenn man will, aus Neuronen,
09:01
die miteinander verbunden sind. Dieses sequenzielle Modell liest man von links nach rechts. Ganz links gibt es den Input-Layer. Hier werden die Daten in das Modell eingelesen. Jeder Datenpunkt entspricht einem Knoten. Das kann ein numerischer Wert sein oder im Falle von Bildern ein Bildpixel. Ganz rechts ist der Output-Layer, der das Ergebnis liefert,
09:24
also zum Beispiel eine Klassifikation in Hund oder Katze. Jeder Knotenpunkt entspricht dann einer Klasse. In der Mitte befinden sich die sogenannten Hidden Layer, also die versteckten Schichten des Modells. Je weiter rechts wir uns in einem Layer des Modells
09:40
befinden, desto detaillierter sind die Features, die aus den Daten extrahiert werden. Jetzt habt ihr einen groben Überblick darüber bekommen, wie die Begriffe künstliche Intelligenz, maschinelles Lernen und Deep Learning zusammenhängen und könnt die Konzepte hinter diesen Methoden erklären.