vorlesung maschinelles lernen - Überblick · ls 8 künstliche intelligenz fakultät für...
TRANSCRIPT
![Page 1: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/1.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Vorlesung Maschinelles LernenÜberblick
Katharina Morik
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
14.10.2008
Katharina Morik MLV – Einführung
![Page 2: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/2.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Gliederung
1 Anwendungen maschinellen Lernens
2 Lernen beim MenschenBegriffsbildung
3 Maschinelle Lernaufgaben
4 Themen, Übungen, Scheine
Katharina Morik MLV – Einführung
![Page 3: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/3.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Bekannte Anwendungen
Google ordnet die Suchergebnisse nach der Anzahl derauf sie verweisenden Hyperlinks an.Amazon empfiehlt einem Kunden, der A gekauft hat, dasProdukt B, weil alle (viele) Kunden, die A kauften, auch Bkauften.Die Post sortiert handbeschriftete Briefe perSchrifterkennung.Firmen ordnen ihre eingehende Post automatisch derzuständigen Abteilung zu.Aktienkurse oder Verkaufszahlen werden vorhergesagt.
Katharina Morik MLV – Einführung
![Page 4: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/4.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Bekannte Anwendungen
Google ordnet die Suchergebnisse nach der Anzahl derauf sie verweisenden Hyperlinks an.Amazon empfiehlt einem Kunden, der A gekauft hat, dasProdukt B, weil alle (viele) Kunden, die A kauften, auch Bkauften.Die Post sortiert handbeschriftete Briefe perSchrifterkennung.Firmen ordnen ihre eingehende Post automatisch derzuständigen Abteilung zu.Aktienkurse oder Verkaufszahlen werden vorhergesagt.
Katharina Morik MLV – Einführung
![Page 5: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/5.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Bekannte Anwendungen
Google ordnet die Suchergebnisse nach der Anzahl derauf sie verweisenden Hyperlinks an.Amazon empfiehlt einem Kunden, der A gekauft hat, dasProdukt B, weil alle (viele) Kunden, die A kauften, auch Bkauften.Die Post sortiert handbeschriftete Briefe perSchrifterkennung.Firmen ordnen ihre eingehende Post automatisch derzuständigen Abteilung zu.Aktienkurse oder Verkaufszahlen werden vorhergesagt.
Katharina Morik MLV – Einführung
![Page 6: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/6.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Bekannte Anwendungen
Google ordnet die Suchergebnisse nach der Anzahl derauf sie verweisenden Hyperlinks an.Amazon empfiehlt einem Kunden, der A gekauft hat, dasProdukt B, weil alle (viele) Kunden, die A kauften, auch Bkauften.Die Post sortiert handbeschriftete Briefe perSchrifterkennung.Firmen ordnen ihre eingehende Post automatisch derzuständigen Abteilung zu.Aktienkurse oder Verkaufszahlen werden vorhergesagt.
Katharina Morik MLV – Einführung
![Page 7: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/7.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Bekannte Anwendungen
Google ordnet die Suchergebnisse nach der Anzahl derauf sie verweisenden Hyperlinks an.Amazon empfiehlt einem Kunden, der A gekauft hat, dasProdukt B, weil alle (viele) Kunden, die A kauften, auch Bkauften.Die Post sortiert handbeschriftete Briefe perSchrifterkennung.Firmen ordnen ihre eingehende Post automatisch derzuständigen Abteilung zu.Aktienkurse oder Verkaufszahlen werden vorhergesagt.
Katharina Morik MLV – Einführung
![Page 8: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/8.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Interesse an Anwendungen
Business Reporting soll automatisiert werden. On-lineAnalytical Processing beantwortet nur einfache Fragen.Zusätzlich sollen Vorhersagen getroffen werden.Wissenschaftliche Daten sind so umfangreich, dassMenschen sie nicht mehr analysieren können, umGesetzmäßigkeiten zu entdecken.Geräte sollen besser gesteuert werden, indem aus denlog-Dateien gelernt wird.Roboter sollen sich besser an menschliche Umgebung undKommunikation anpassen.Das Internet soll nicht nur gesamte Dokumente liefern,sondern Fragen beantworten.Multimedia-Daten sollen personalisiert strukturiert undgezielter zugreifbar sein.
Katharina Morik MLV – Einführung
![Page 9: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/9.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Interesse an Anwendungen
Business Reporting soll automatisiert werden. On-lineAnalytical Processing beantwortet nur einfache Fragen.Zusätzlich sollen Vorhersagen getroffen werden.Wissenschaftliche Daten sind so umfangreich, dassMenschen sie nicht mehr analysieren können, umGesetzmäßigkeiten zu entdecken.Geräte sollen besser gesteuert werden, indem aus denlog-Dateien gelernt wird.Roboter sollen sich besser an menschliche Umgebung undKommunikation anpassen.Das Internet soll nicht nur gesamte Dokumente liefern,sondern Fragen beantworten.Multimedia-Daten sollen personalisiert strukturiert undgezielter zugreifbar sein.
Katharina Morik MLV – Einführung
![Page 10: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/10.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Interesse an Anwendungen
Business Reporting soll automatisiert werden. On-lineAnalytical Processing beantwortet nur einfache Fragen.Zusätzlich sollen Vorhersagen getroffen werden.Wissenschaftliche Daten sind so umfangreich, dassMenschen sie nicht mehr analysieren können, umGesetzmäßigkeiten zu entdecken.Geräte sollen besser gesteuert werden, indem aus denlog-Dateien gelernt wird.Roboter sollen sich besser an menschliche Umgebung undKommunikation anpassen.Das Internet soll nicht nur gesamte Dokumente liefern,sondern Fragen beantworten.Multimedia-Daten sollen personalisiert strukturiert undgezielter zugreifbar sein.
Katharina Morik MLV – Einführung
![Page 11: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/11.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Interesse an Anwendungen
Business Reporting soll automatisiert werden. On-lineAnalytical Processing beantwortet nur einfache Fragen.Zusätzlich sollen Vorhersagen getroffen werden.Wissenschaftliche Daten sind so umfangreich, dassMenschen sie nicht mehr analysieren können, umGesetzmäßigkeiten zu entdecken.Geräte sollen besser gesteuert werden, indem aus denlog-Dateien gelernt wird.Roboter sollen sich besser an menschliche Umgebung undKommunikation anpassen.Das Internet soll nicht nur gesamte Dokumente liefern,sondern Fragen beantworten.Multimedia-Daten sollen personalisiert strukturiert undgezielter zugreifbar sein.
Katharina Morik MLV – Einführung
![Page 12: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/12.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Interesse an Anwendungen
Business Reporting soll automatisiert werden. On-lineAnalytical Processing beantwortet nur einfache Fragen.Zusätzlich sollen Vorhersagen getroffen werden.Wissenschaftliche Daten sind so umfangreich, dassMenschen sie nicht mehr analysieren können, umGesetzmäßigkeiten zu entdecken.Geräte sollen besser gesteuert werden, indem aus denlog-Dateien gelernt wird.Roboter sollen sich besser an menschliche Umgebung undKommunikation anpassen.Das Internet soll nicht nur gesamte Dokumente liefern,sondern Fragen beantworten.Multimedia-Daten sollen personalisiert strukturiert undgezielter zugreifbar sein.
Katharina Morik MLV – Einführung
![Page 13: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/13.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Interesse an Anwendungen
Business Reporting soll automatisiert werden. On-lineAnalytical Processing beantwortet nur einfache Fragen.Zusätzlich sollen Vorhersagen getroffen werden.Wissenschaftliche Daten sind so umfangreich, dassMenschen sie nicht mehr analysieren können, umGesetzmäßigkeiten zu entdecken.Geräte sollen besser gesteuert werden, indem aus denlog-Dateien gelernt wird.Roboter sollen sich besser an menschliche Umgebung undKommunikation anpassen.Das Internet soll nicht nur gesamte Dokumente liefern,sondern Fragen beantworten.Multimedia-Daten sollen personalisiert strukturiert undgezielter zugreifbar sein.
Katharina Morik MLV – Einführung
![Page 14: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/14.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 15: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/15.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 16: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/16.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 17: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/17.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 18: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/18.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 19: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/19.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 20: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/20.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 21: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/21.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 22: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/22.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was ist Lernen beim Menschen?
Menschen lernen durch:Auswendig lernen.Einüben. (Fertigkeiten)Logisch schließen:
Alle Menschen sind sterblich.Sokrates ist ein Mensch.Sokrates ist sterblich. (Deduktion)Sokrates, Uta, Udo, Veronika, Volker, ... sind Menschen.Sokrates, Uta, Udo, Veronika, Volker, ... sind sterblich.Alle Menschen sind sterblich. (Induktion)
Begriffe bilden.Grammatiken lernen.Gesetze entdecken.Theorien entwickeln. (Wissen)
Katharina Morik MLV – Einführung
![Page 23: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/23.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Begriffsbildung
Eins von diesen Dingen gehört nicht zu den anderen!
Katharina Morik MLV – Einführung
![Page 24: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/24.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
ClusteringKategorisierung
Alle Beobachtungen, die sich ähneln, werden zu einerGruppe zusammengefasst.Auf diese Weise strukturiert man die vielenBeobachtungen.Von den vielen Merkmalen wählt man zurÄhnlichkeitsbestimmung eine möglichst kleine Anzahl aus.Die ausgewählten Merkmale sind immer erkennbar(operational).
Die Kategorisierung ordnet jede Beobachtung mindestenseiner Gruppe zu. Die Gruppen können sich überlappen.Menschen kategorisieren immer, ob sie wollen oder nicht! Esist ein unbewusster kognitiver Prozess.
Katharina Morik MLV – Einführung
![Page 25: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/25.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
ClusteringKategorisierung
Alle Beobachtungen, die sich ähneln, werden zu einerGruppe zusammengefasst.Auf diese Weise strukturiert man die vielenBeobachtungen.Von den vielen Merkmalen wählt man zurÄhnlichkeitsbestimmung eine möglichst kleine Anzahl aus.Die ausgewählten Merkmale sind immer erkennbar(operational).
Die Kategorisierung ordnet jede Beobachtung mindestenseiner Gruppe zu. Die Gruppen können sich überlappen.Menschen kategorisieren immer, ob sie wollen oder nicht! Esist ein unbewusster kognitiver Prozess.
Katharina Morik MLV – Einführung
![Page 26: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/26.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
ClusteringKategorisierung
Alle Beobachtungen, die sich ähneln, werden zu einerGruppe zusammengefasst.Auf diese Weise strukturiert man die vielenBeobachtungen.Von den vielen Merkmalen wählt man zurÄhnlichkeitsbestimmung eine möglichst kleine Anzahl aus.Die ausgewählten Merkmale sind immer erkennbar(operational).
Die Kategorisierung ordnet jede Beobachtung mindestenseiner Gruppe zu. Die Gruppen können sich überlappen.Menschen kategorisieren immer, ob sie wollen oder nicht! Esist ein unbewusster kognitiver Prozess.
Katharina Morik MLV – Einführung
![Page 27: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/27.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
ClusteringKategorisierung
Alle Beobachtungen, die sich ähneln, werden zu einerGruppe zusammengefasst.Auf diese Weise strukturiert man die vielenBeobachtungen.Von den vielen Merkmalen wählt man zurÄhnlichkeitsbestimmung eine möglichst kleine Anzahl aus.Die ausgewählten Merkmale sind immer erkennbar(operational).
Die Kategorisierung ordnet jede Beobachtung mindestenseiner Gruppe zu. Die Gruppen können sich überlappen.Menschen kategorisieren immer, ob sie wollen oder nicht! Esist ein unbewusster kognitiver Prozess.
Katharina Morik MLV – Einführung
![Page 28: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/28.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
ClusteringKategorisierung
Alle Beobachtungen, die sich ähneln, werden zu einerGruppe zusammengefasst.Auf diese Weise strukturiert man die vielenBeobachtungen.Von den vielen Merkmalen wählt man zurÄhnlichkeitsbestimmung eine möglichst kleine Anzahl aus.Die ausgewählten Merkmale sind immer erkennbar(operational).
Die Kategorisierung ordnet jede Beobachtung mindestenseiner Gruppe zu. Die Gruppen können sich überlappen.Menschen kategorisieren immer, ob sie wollen oder nicht! Esist ein unbewusster kognitiver Prozess.
Katharina Morik MLV – Einführung
![Page 29: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/29.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
ClusteringKategorisierung
Alle Beobachtungen, die sich ähneln, werden zu einerGruppe zusammengefasst.Auf diese Weise strukturiert man die vielenBeobachtungen.Von den vielen Merkmalen wählt man zurÄhnlichkeitsbestimmung eine möglichst kleine Anzahl aus.Die ausgewählten Merkmale sind immer erkennbar(operational).
Die Kategorisierung ordnet jede Beobachtung mindestenseiner Gruppe zu. Die Gruppen können sich überlappen.Menschen kategorisieren immer, ob sie wollen oder nicht! Esist ein unbewusster kognitiver Prozess.
Katharina Morik MLV – Einführung
![Page 30: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/30.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 31: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/31.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 32: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/32.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 33: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/33.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 34: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/34.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 35: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/35.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 36: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/36.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Einige Gründe für die Kategorisierung
Handlungen können nicht auf der Gesamtheit derBeobachtungen ausgeführt werden. Menschen haben einebeschränkte Wahrnehmungs- und Aktionskapazität.
Menschen können nur 5-7 kognitive Objekte gleichzeitigbeachten (ansehen, hören, merken).Hände können nur eine begrenzte Anzahl physikalischerObjekte fassen.Deshalb muss eine große Grundgesamtheit für Menschenin kleine, wahrnehmbare, handhabbare Untermengenaufgeteilt werden.
Es gibt schon ein Wort dafür.Jemand nennt ein Objekt x Tasse.Alle Objekte, die von jemandem als Tasse bezeichnetwurden, gehören in eine Gruppe mit dem Titel Tasse.
Katharina Morik MLV – Einführung
![Page 37: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/37.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Positive Beispiele
Dies sind Tassen.
Katharina Morik MLV – Einführung
![Page 38: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/38.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Negative Beispiele
Dies sind keine Tassen.
Katharina Morik MLV – Einführung
![Page 39: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/39.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Klassifikation
Eine Funktion ordnet einer Wahrnehmung eine Klasse zu.Dem Wort Tasse entspricht eine Erkennungsfunktion, diejeder Wahrnehmung die Klasse Tasse oder Nicht-Tassezuordnet.
Die einfachste Funktion ist das Aufzählen. Dies begrenztaber die Klassifikation auf bereits gesehene Objekte.Als Wissenschaftler verwenden Menschen gernnumerische Funktionen.Besonders verständlich sind logische Funktionen. Diessind meist Definitionen.
Katharina Morik MLV – Einführung
![Page 40: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/40.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Klassifikation
Eine Funktion ordnet einer Wahrnehmung eine Klasse zu.Dem Wort Tasse entspricht eine Erkennungsfunktion, diejeder Wahrnehmung die Klasse Tasse oder Nicht-Tassezuordnet.
Die einfachste Funktion ist das Aufzählen. Dies begrenztaber die Klassifikation auf bereits gesehene Objekte.Als Wissenschaftler verwenden Menschen gernnumerische Funktionen.Besonders verständlich sind logische Funktionen. Diessind meist Definitionen.
Katharina Morik MLV – Einführung
![Page 41: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/41.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Klassifikation
Eine Funktion ordnet einer Wahrnehmung eine Klasse zu.Dem Wort Tasse entspricht eine Erkennungsfunktion, diejeder Wahrnehmung die Klasse Tasse oder Nicht-Tassezuordnet.
Die einfachste Funktion ist das Aufzählen. Dies begrenztaber die Klassifikation auf bereits gesehene Objekte.Als Wissenschaftler verwenden Menschen gernnumerische Funktionen.Besonders verständlich sind logische Funktionen. Diessind meist Definitionen.
Katharina Morik MLV – Einführung
![Page 42: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/42.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Klassifikation
Eine Funktion ordnet einer Wahrnehmung eine Klasse zu.Dem Wort Tasse entspricht eine Erkennungsfunktion, diejeder Wahrnehmung die Klasse Tasse oder Nicht-Tassezuordnet.
Die einfachste Funktion ist das Aufzählen. Dies begrenztaber die Klassifikation auf bereits gesehene Objekte.Als Wissenschaftler verwenden Menschen gernnumerische Funktionen.Besonders verständlich sind logische Funktionen. Diessind meist Definitionen.
Katharina Morik MLV – Einführung
![Page 43: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/43.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Klassifikation
Eine Funktion ordnet einer Wahrnehmung eine Klasse zu.Dem Wort Tasse entspricht eine Erkennungsfunktion, diejeder Wahrnehmung die Klasse Tasse oder Nicht-Tassezuordnet.
Die einfachste Funktion ist das Aufzählen. Dies begrenztaber die Klassifikation auf bereits gesehene Objekte.Als Wissenschaftler verwenden Menschen gernnumerische Funktionen.Besonders verständlich sind logische Funktionen. Diessind meist Definitionen.
Katharina Morik MLV – Einführung
![Page 44: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/44.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Definitionen
Eine Definition ist eine Erkennungs- und Ergänzungsfunktion(hinreichende und notwendige Bedingungen).
Definition: Eine Tasse ist ein Behälter mit flachem Boden undeinem Henkel an der Seite.
Erkennungsfunktion: Aha, konkav und undurchlässig, flacherBoden, Henkel an der Seite – eine Tasse!konkav(x), opak(x), hatBoden(x , y), flach(y),hatHenkel(x , z)→ tasse(x)
Ergänzungsfunktion: Kann ich eine Tasse hinstellen? – Ja,denn eine Tasse hat einen flachen Boden undObjekte mit flachem Boden stehen sicher!tasse(x)→ kannStehen(x)
Katharina Morik MLV – Einführung
![Page 45: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/45.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Definitionen
Eine Definition ist eine Erkennungs- und Ergänzungsfunktion(hinreichende und notwendige Bedingungen).
Definition: Eine Tasse ist ein Behälter mit flachem Boden undeinem Henkel an der Seite.
Erkennungsfunktion: Aha, konkav und undurchlässig, flacherBoden, Henkel an der Seite – eine Tasse!konkav(x), opak(x), hatBoden(x , y), flach(y),hatHenkel(x , z)→ tasse(x)
Ergänzungsfunktion: Kann ich eine Tasse hinstellen? – Ja,denn eine Tasse hat einen flachen Boden undObjekte mit flachem Boden stehen sicher!tasse(x)→ kannStehen(x)
Katharina Morik MLV – Einführung
![Page 46: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/46.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Definitionen
Eine Definition ist eine Erkennungs- und Ergänzungsfunktion(hinreichende und notwendige Bedingungen).
Definition: Eine Tasse ist ein Behälter mit flachem Boden undeinem Henkel an der Seite.
Erkennungsfunktion: Aha, konkav und undurchlässig, flacherBoden, Henkel an der Seite – eine Tasse!konkav(x), opak(x), hatBoden(x , y), flach(y),hatHenkel(x , z)→ tasse(x)
Ergänzungsfunktion: Kann ich eine Tasse hinstellen? – Ja,denn eine Tasse hat einen flachen Boden undObjekte mit flachem Boden stehen sicher!tasse(x)→ kannStehen(x)
Katharina Morik MLV – Einführung
![Page 47: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/47.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Ein Begriff erleichtert oft die Definition anderer Begriffe.
Wer nicht weiß, was ein Boden oder ein Henkel ist, hatProbleme, eine Tasse zu definieren.Die Definition für Boden und Henkel...→ hatBoden(x , y)...→ hatHenkel(x , z)erlaubt die Definition von Tasse:konkav(x), opak(x), hatBoden(x , y), flach(y),hatHenkel(x , z)→ tasse(x)
Katharina Morik MLV – Einführung
![Page 48: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/48.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Ein Begriff erleichtert oft die Definition anderer Begriffe.
Wer nicht weiß, was ein Boden oder ein Henkel ist, hatProbleme, eine Tasse zu definieren.Die Definition für Boden und Henkel...→ hatBoden(x , y)...→ hatHenkel(x , z)erlaubt die Definition von Tasse:konkav(x), opak(x), hatBoden(x , y), flach(y),hatHenkel(x , z)→ tasse(x)
Katharina Morik MLV – Einführung
![Page 49: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/49.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 50: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/50.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 51: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/51.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 52: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/52.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 53: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/53.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 54: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/54.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 55: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/55.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Menschliches Lernen
Die kognitive Psychologie untersucht das menschlicheLernen.Die Entwicklungspsychologie untersucht das Lernen überdie Alterstufen hinweg [4].Einflüsse auf das Lernen werden untersucht:
Reihenfolge der Beobachtungen oder Lernschritte [3]Umgebung beim Lernen [1]Soziale Zusammenarbeit (kollaboratives Lernen) [2]...
Katharina Morik MLV – Einführung
![Page 56: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/56.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur zu menschlichem Lernen
J. Bliss, R. Saljo, and P. Light, editors.Learning Sites – Social and technological Resources forLearning.
P. Dillenbourg, editor.Collaborative Learning – Cognitive and ComputationalApproaches. Pergamon Press, 1998.
Frank E. Ritter, Erno Lehtinen, Josef Nerb, and TimothyO’Shea, editors.In Order to Learn – How the Sequence of Topics InfluencesLearning. Oxford University Press, 2007.
R.S. Siegler.Children’s Thinking. Prentice-Hall, 2nd edition, 1991.
Katharina Morik MLV – Einführung
![Page 57: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/57.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur zu menschlichem Lernen
J. Bliss, R. Saljo, and P. Light, editors.Learning Sites – Social and technological Resources forLearning.
P. Dillenbourg, editor.Collaborative Learning – Cognitive and ComputationalApproaches. Pergamon Press, 1998.
Frank E. Ritter, Erno Lehtinen, Josef Nerb, and TimothyO’Shea, editors.In Order to Learn – How the Sequence of Topics InfluencesLearning. Oxford University Press, 2007.
R.S. Siegler.Children’s Thinking. Prentice-Hall, 2nd edition, 1991.
Katharina Morik MLV – Einführung
![Page 58: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/58.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur zu menschlichem Lernen
J. Bliss, R. Saljo, and P. Light, editors.Learning Sites – Social and technological Resources forLearning.
P. Dillenbourg, editor.Collaborative Learning – Cognitive and ComputationalApproaches. Pergamon Press, 1998.
Frank E. Ritter, Erno Lehtinen, Josef Nerb, and TimothyO’Shea, editors.In Order to Learn – How the Sequence of Topics InfluencesLearning. Oxford University Press, 2007.
R.S. Siegler.Children’s Thinking. Prentice-Hall, 2nd edition, 1991.
Katharina Morik MLV – Einführung
![Page 59: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/59.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur zu menschlichem Lernen
J. Bliss, R. Saljo, and P. Light, editors.Learning Sites – Social and technological Resources forLearning.
P. Dillenbourg, editor.Collaborative Learning – Cognitive and ComputationalApproaches. Pergamon Press, 1998.
Frank E. Ritter, Erno Lehtinen, Josef Nerb, and TimothyO’Shea, editors.In Order to Learn – How the Sequence of Topics InfluencesLearning. Oxford University Press, 2007.
R.S. Siegler.Children’s Thinking. Prentice-Hall, 2nd edition, 1991.
Katharina Morik MLV – Einführung
![Page 60: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/60.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Maschinelles Lernen – generische Aufgabe
Population: Eine Menge von Objekten, um die es geht.Merkmale: Eine Menge von Merkmalen (quantitativ oder
qualitativ) beschreibt die Objekte.Ausgabe: Ein quantitativer Wert (Messwert) oder ein
qualitativer (label, z.B. Tasse) gehört zu jederBeobachtung.
Ein Lernverfahren findet eine Funktion, die Objekten einenAusgabewert zuordnet. Oft minimiert die Funktioneinen Fehler.
Modell: Das Lernergebnis (die gelernte Funktion) wirdauch als Modell bezeichnet.
Katharina Morik MLV – Einführung
![Page 61: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/61.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Maschinelles Lernen – generische Aufgabe
Population: Eine Menge von Objekten, um die es geht.Merkmale: Eine Menge von Merkmalen (quantitativ oder
qualitativ) beschreibt die Objekte.Ausgabe: Ein quantitativer Wert (Messwert) oder ein
qualitativer (label, z.B. Tasse) gehört zu jederBeobachtung.
Ein Lernverfahren findet eine Funktion, die Objekten einenAusgabewert zuordnet. Oft minimiert die Funktioneinen Fehler.
Modell: Das Lernergebnis (die gelernte Funktion) wirdauch als Modell bezeichnet.
Katharina Morik MLV – Einführung
![Page 62: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/62.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Maschinelles Lernen – generische Aufgabe
Population: Eine Menge von Objekten, um die es geht.Merkmale: Eine Menge von Merkmalen (quantitativ oder
qualitativ) beschreibt die Objekte.Ausgabe: Ein quantitativer Wert (Messwert) oder ein
qualitativer (label, z.B. Tasse) gehört zu jederBeobachtung.
Ein Lernverfahren findet eine Funktion, die Objekten einenAusgabewert zuordnet. Oft minimiert die Funktioneinen Fehler.
Modell: Das Lernergebnis (die gelernte Funktion) wirdauch als Modell bezeichnet.
Katharina Morik MLV – Einführung
![Page 63: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/63.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Maschinelles Lernen – generische Aufgabe
Population: Eine Menge von Objekten, um die es geht.Merkmale: Eine Menge von Merkmalen (quantitativ oder
qualitativ) beschreibt die Objekte.Ausgabe: Ein quantitativer Wert (Messwert) oder ein
qualitativer (label, z.B. Tasse) gehört zu jederBeobachtung.
Ein Lernverfahren findet eine Funktion, die Objekten einenAusgabewert zuordnet. Oft minimiert die Funktioneinen Fehler.
Modell: Das Lernergebnis (die gelernte Funktion) wirdauch als Modell bezeichnet.
Katharina Morik MLV – Einführung
![Page 64: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/64.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Maschinelles Lernen – generische Aufgabe
Population: Eine Menge von Objekten, um die es geht.Merkmale: Eine Menge von Merkmalen (quantitativ oder
qualitativ) beschreibt die Objekte.Ausgabe: Ein quantitativer Wert (Messwert) oder ein
qualitativer (label, z.B. Tasse) gehört zu jederBeobachtung.
Ein Lernverfahren findet eine Funktion, die Objekten einenAusgabewert zuordnet. Oft minimiert die Funktioneinen Fehler.
Modell: Das Lernergebnis (die gelernte Funktion) wirdauch als Modell bezeichnet.
Katharina Morik MLV – Einführung
![Page 65: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/65.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Notation
Der Raum möglicherBeobachtungen wird alsp-dimensionale ZufallsvariableX geschrieben.Jede Dimension derBeobachtungen wird als Xinotiert (Merkmal).Die einzelnen Beobachtungenwerden als ~x1, ..., ~xN notiert.Die Zufallsvariable Y ist dieAusgabe (label).N Beobachtungen vonVektoren mit p Komponentenergeben also eineN × p-Matrix.
Katharina Morik MLV – Einführung
![Page 66: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/66.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Notation
Der Raum möglicherBeobachtungen wird alsp-dimensionale ZufallsvariableX geschrieben.Jede Dimension derBeobachtungen wird als Xinotiert (Merkmal).Die einzelnen Beobachtungenwerden als ~x1, ..., ~xN notiert.Die Zufallsvariable Y ist dieAusgabe (label).N Beobachtungen vonVektoren mit p Komponentenergeben also eineN × p-Matrix.
Katharina Morik MLV – Einführung
![Page 67: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/67.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Notation
Der Raum möglicherBeobachtungen wird alsp-dimensionale ZufallsvariableX geschrieben.Jede Dimension derBeobachtungen wird als Xinotiert (Merkmal).Die einzelnen Beobachtungenwerden als ~x1, ..., ~xN notiert.Die Zufallsvariable Y ist dieAusgabe (label).N Beobachtungen vonVektoren mit p Komponentenergeben also eineN × p-Matrix.
Katharina Morik MLV – Einführung
![Page 68: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/68.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Notation
Der Raum möglicherBeobachtungen wird alsp-dimensionale ZufallsvariableX geschrieben.Jede Dimension derBeobachtungen wird als Xinotiert (Merkmal).Die einzelnen Beobachtungenwerden als ~x1, ..., ~xN notiert.Die Zufallsvariable Y ist dieAusgabe (label).N Beobachtungen vonVektoren mit p Komponentenergeben also eineN × p-Matrix.
Katharina Morik MLV – Einführung
![Page 69: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/69.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Notation
Der Raum möglicherBeobachtungen wird alsp-dimensionale ZufallsvariableX geschrieben.Jede Dimension derBeobachtungen wird als Xinotiert (Merkmal).Die einzelnen Beobachtungenwerden als ~x1, ..., ~xN notiert.Die Zufallsvariable Y ist dieAusgabe (label).N Beobachtungen vonVektoren mit p Komponentenergeben also eineN × p-Matrix.
Katharina Morik MLV – Einführung
![Page 70: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/70.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 71: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/71.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 72: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/72.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 73: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/73.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 74: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/74.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 75: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/75.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 76: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/76.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Clustering
Gegebeneine Menge T = {~x1, ..., ~xN} ⊂ X von Beobachtungen,eine Anzahl K zu findender Gruppen C1, ..., CK ,eine Abstandsfunktion d(~x , ~x ′) undeine Qualitätsfunktion.
FindeGruppen C1, ..., CK , so dassalle ~x ∈ X einer Gruppe zugeordnet sind unddie Qualitätsfunktion optimiert wird: Der Abstand zwischenBeobachtungen der selben Gruppe soll minimal sein; derAbstand zwischen den Gruppen soll maximal sein.
Katharina Morik MLV – Einführung
![Page 77: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/77.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Klassifikation
GegebenKlassen Y , oft y ∈ {+1,−1},eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 78: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/78.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Klassifikation
GegebenKlassen Y , oft y ∈ {+1,−1},eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 79: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/79.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Klassifikation
GegebenKlassen Y , oft y ∈ {+1,−1},eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 80: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/80.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Klassifikation
GegebenKlassen Y , oft y ∈ {+1,−1},eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 81: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/81.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Regression
GegebenZielwerte Y mit Werten y ∈ R,
eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 82: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/82.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Regression
GegebenZielwerte Y mit Werten y ∈ R,
eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 83: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/83.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Regression
GegebenZielwerte Y mit Werten y ∈ R,
eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 84: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/84.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lernaufgabe Regression
GegebenZielwerte Y mit Werten y ∈ R,
eine Menge T = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y vonBeispielen,eine Qualitätsfunktion.
Findeeine Funktion f : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 85: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/85.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Funktionsapproximation
Wir schätzen die wahre, den Beispielen unterliegendeFunktion. Gegeben
eine Menge von BeispielenT = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y ,eine Klasse zulässiger Funktionen fθ(Hypothesensprache),eine Qualitätsfunktion,eine feste, unbekannte WahrscheinlichkeitsverteilungP(X ).
Findeeine Funktion fθ : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 86: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/86.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Funktionsapproximation
Wir schätzen die wahre, den Beispielen unterliegendeFunktion. Gegeben
eine Menge von BeispielenT = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y ,eine Klasse zulässiger Funktionen fθ(Hypothesensprache),eine Qualitätsfunktion,eine feste, unbekannte WahrscheinlichkeitsverteilungP(X ).
Findeeine Funktion fθ : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 87: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/87.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Funktionsapproximation
Wir schätzen die wahre, den Beispielen unterliegendeFunktion. Gegeben
eine Menge von BeispielenT = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y ,eine Klasse zulässiger Funktionen fθ(Hypothesensprache),eine Qualitätsfunktion,eine feste, unbekannte WahrscheinlichkeitsverteilungP(X ).
Findeeine Funktion fθ : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 88: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/88.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Funktionsapproximation
Wir schätzen die wahre, den Beispielen unterliegendeFunktion. Gegeben
eine Menge von BeispielenT = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y ,eine Klasse zulässiger Funktionen fθ(Hypothesensprache),eine Qualitätsfunktion,eine feste, unbekannte WahrscheinlichkeitsverteilungP(X ).
Findeeine Funktion fθ : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 89: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/89.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Funktionsapproximation
Wir schätzen die wahre, den Beispielen unterliegendeFunktion. Gegeben
eine Menge von BeispielenT = {(~x1, y1), ..., ( ~xN , yN)} ⊂ X × Y ,eine Klasse zulässiger Funktionen fθ(Hypothesensprache),eine Qualitätsfunktion,eine feste, unbekannte WahrscheinlichkeitsverteilungP(X ).
Findeeine Funktion fθ : X → Y , die die Qualitätsfunktionoptimiert.
Katharina Morik MLV – Einführung
![Page 90: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/90.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Zur Erinnerung: Verteilung
Eine Zufallsvariable X heißt diskret, wenn sie nur endlich oerabzählbar unendlich viele Werte x1, ..., xm annehmen kann. Zujedem Wert gehört ein Ereignis, das mit der WahrscheinlichkeitP(X = xi) eintreten kann. Die Realisationen xi gemeinsam mitden zugehörigen Wahrscheinlichkeiten heißen(Wahrscheinlichkeits-)Verteilung von X .
Katharina Morik MLV – Einführung
![Page 91: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/91.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Verteilungsfunktion
Sei X eine diskrete oder stetige Zufallsvariable. Die FunktionD(x) = P(X ≤ x), x ∈ Rheißt Verteilungsfunktion von X .Bei diskreten Zufallsvariablen gilt: D(x) =
∑i:xi≤x pi
Eine Zufallsvariable heißt stetige Zufallsvariable, wenn ihreVerteilungsfunktion stetig ist.
Katharina Morik MLV – Einführung
![Page 92: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/92.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Dichtefunktion
Die Ableitung D′(x) wird Dichtefunktion genannt. Umgekehrterhält man die Verteilungsfunktion durch Integration derDichtefunktion: D(x) =
∫ x−∞ h(t)dt
Funktionen, die eine Dichte haben, sind absolut stetig.Die Gesamtfläche unter dem Graphen von h ist gleich 1.
Katharina Morik MLV – Einführung
![Page 93: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/93.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Wenn wir die Verteilung kennen, können wir eine gute Prognosemachen!
Wenn wir wissen, dass pi = 0, 01 ist, dann ist es nicht soschlimm, wenn wir uns bei xi irren – wir irren uns dannselten.Wenn wir wissen, dass P(Y = +1) = 0, 99 ist, dann sagenwir immer +1 voraus und sind in 99% der Fälle richtig. Wirhaben nur ein Risiko von 1%, uns zu irren.
Katharina Morik MLV – Einführung
![Page 94: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/94.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Wenn wir die Verteilung kennen, können wir eine gute Prognosemachen!
Wenn wir wissen, dass pi = 0, 01 ist, dann ist es nicht soschlimm, wenn wir uns bei xi irren – wir irren uns dannselten.Wenn wir wissen, dass P(Y = +1) = 0, 99 ist, dann sagenwir immer +1 voraus und sind in 99% der Fälle richtig. Wirhaben nur ein Risiko von 1%, uns zu irren.
Katharina Morik MLV – Einführung
![Page 95: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/95.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Qualitätsfunktion – Fehlerfunktion
Fehlerrisiko:
R(Y , f (X ) =N∑
i=1
Q(yi , ~xi)p(~xi) (1)
wobei p(~xi) die Wahrscheinlichkeit ist, dass dasBeispiel ~xi aus X gezogen wird.
Mittlerer Quadratischer Fehler:
MSE(Y , f (X )) =1N
N∑i=1
(yi − f (~xi))2 (2)
Mittlerer 0-1-Verlust: Q(Y , f (X )) = 1N∑N
i=1 Q(~xi , f ), wobei
Q(yi , f (~xi)) =
{0, falls f (~xi) = y1, falls f (~xi) 6= y
Katharina Morik MLV – Einführung
![Page 96: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/96.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Qualitätsfunktion – Fehlerfunktion
Fehlerrisiko:
R(Y , f (X ) =N∑
i=1
Q(yi , ~xi)p(~xi) (1)
wobei p(~xi) die Wahrscheinlichkeit ist, dass dasBeispiel ~xi aus X gezogen wird.
Mittlerer Quadratischer Fehler:
MSE(Y , f (X )) =1N
N∑i=1
(yi − f (~xi))2 (2)
Mittlerer 0-1-Verlust: Q(Y , f (X )) = 1N∑N
i=1 Q(~xi , f ), wobei
Q(yi , f (~xi)) =
{0, falls f (~xi) = y1, falls f (~xi) 6= y
Katharina Morik MLV – Einführung
![Page 97: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/97.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Qualitätsfunktion – Fehlerfunktion
Fehlerrisiko:
R(Y , f (X ) =N∑
i=1
Q(yi , ~xi)p(~xi) (1)
wobei p(~xi) die Wahrscheinlichkeit ist, dass dasBeispiel ~xi aus X gezogen wird.
Mittlerer Quadratischer Fehler:
MSE(Y , f (X )) =1N
N∑i=1
(yi − f (~xi))2 (2)
Mittlerer 0-1-Verlust: Q(Y , f (X )) = 1N∑N
i=1 Q(~xi , f ), wobei
Q(yi , f (~xi)) =
{0, falls f (~xi) = y1, falls f (~xi) 6= y
Katharina Morik MLV – Einführung
![Page 98: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/98.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Problem
Wir haben nur eine endliche Menge von Beispielen. AlleFunktionen, deren Werte durch die Beispiele verlaufen,haben einen kleinen Fehler.Wir wollen aber für alle Beobachtungen das richtige yvoraussagen. Dann sind nicht mehr alle Funktionen, dieauf die Beispiele gepasst haben, gut.Wir kennen nicht die wahre Verteilung der Beispiele.Wie beurteilen wir da die Qualität unseresLernergebnisses?
Katharina Morik MLV – Einführung
![Page 99: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/99.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Problem
Wir haben nur eine endliche Menge von Beispielen. AlleFunktionen, deren Werte durch die Beispiele verlaufen,haben einen kleinen Fehler.Wir wollen aber für alle Beobachtungen das richtige yvoraussagen. Dann sind nicht mehr alle Funktionen, dieauf die Beispiele gepasst haben, gut.Wir kennen nicht die wahre Verteilung der Beispiele.Wie beurteilen wir da die Qualität unseresLernergebnisses?
Katharina Morik MLV – Einführung
![Page 100: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/100.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Problem
Wir haben nur eine endliche Menge von Beispielen. AlleFunktionen, deren Werte durch die Beispiele verlaufen,haben einen kleinen Fehler.Wir wollen aber für alle Beobachtungen das richtige yvoraussagen. Dann sind nicht mehr alle Funktionen, dieauf die Beispiele gepasst haben, gut.Wir kennen nicht die wahre Verteilung der Beispiele.Wie beurteilen wir da die Qualität unseresLernergebnisses?
Katharina Morik MLV – Einführung
![Page 101: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/101.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Problem
Wir haben nur eine endliche Menge von Beispielen. AlleFunktionen, deren Werte durch die Beispiele verlaufen,haben einen kleinen Fehler.Wir wollen aber für alle Beobachtungen das richtige yvoraussagen. Dann sind nicht mehr alle Funktionen, dieauf die Beispiele gepasst haben, gut.Wir kennen nicht die wahre Verteilung der Beispiele.Wie beurteilen wir da die Qualität unseresLernergebnisses?
Katharina Morik MLV – Einführung
![Page 102: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/102.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lern- und Testmenge
Wir teilen die Daten, die wir haben, auf:Lernmenge: Einen Teil der Daten übergeben wir unserem
Lernalgorithmus. Daraus lernt er seine Funktionf (x) = y .
Testmenge: Bei den restlichen Daten vergleichen wir y mit y .
Katharina Morik MLV – Einführung
![Page 103: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/103.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Lern- und Testmenge
Wir teilen die Daten, die wir haben, auf:Lernmenge: Einen Teil der Daten übergeben wir unserem
Lernalgorithmus. Daraus lernt er seine Funktionf (x) = y .
Testmenge: Bei den restlichen Daten vergleichen wir y mit y .
Katharina Morik MLV – Einführung
![Page 104: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/104.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Aufteilung in Lern- und Testmenge
Vielleicht haben wir zufällig aus lauter Ausnahmen gelerntund testen dann an den normalen Fällen. Um das zuvermeiden, verändern wir die Aufteilung mehrfach.leave-one-out: Der Algorithmus lernt aus N − 1 Beispielen
und testet auf dem ausgelassenen. Dies wirdN mal gemacht, die Fehler addiert.
Aus Zeitgründen wollen wir den Algorithmus nicht zu oftanwenden.Kreuzvalidierung: Die Lernmenge wird zufällig in n
Mengen aufgeteilt. Der Algorithmus lernt ausn − 1 Mengen und testet auf derausgelassenen Menge. Dies wird n malgemacht.
Katharina Morik MLV – Einführung
![Page 105: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/105.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Aufteilung in Lern- und Testmenge
Vielleicht haben wir zufällig aus lauter Ausnahmen gelerntund testen dann an den normalen Fällen. Um das zuvermeiden, verändern wir die Aufteilung mehrfach.leave-one-out: Der Algorithmus lernt aus N − 1 Beispielen
und testet auf dem ausgelassenen. Dies wirdN mal gemacht, die Fehler addiert.
Aus Zeitgründen wollen wir den Algorithmus nicht zu oftanwenden.Kreuzvalidierung: Die Lernmenge wird zufällig in n
Mengen aufgeteilt. Der Algorithmus lernt ausn − 1 Mengen und testet auf derausgelassenen Menge. Dies wird n malgemacht.
Katharina Morik MLV – Einführung
![Page 106: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/106.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Aufteilung in Lern- und Testmenge
Vielleicht haben wir zufällig aus lauter Ausnahmen gelerntund testen dann an den normalen Fällen. Um das zuvermeiden, verändern wir die Aufteilung mehrfach.leave-one-out: Der Algorithmus lernt aus N − 1 Beispielen
und testet auf dem ausgelassenen. Dies wirdN mal gemacht, die Fehler addiert.
Aus Zeitgründen wollen wir den Algorithmus nicht zu oftanwenden.Kreuzvalidierung: Die Lernmenge wird zufällig in n
Mengen aufgeteilt. Der Algorithmus lernt ausn − 1 Mengen und testet auf derausgelassenen Menge. Dies wird n malgemacht.
Katharina Morik MLV – Einführung
![Page 107: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/107.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Aufteilung in Lern- und Testmenge
Vielleicht haben wir zufällig aus lauter Ausnahmen gelerntund testen dann an den normalen Fällen. Um das zuvermeiden, verändern wir die Aufteilung mehrfach.leave-one-out: Der Algorithmus lernt aus N − 1 Beispielen
und testet auf dem ausgelassenen. Dies wirdN mal gemacht, die Fehler addiert.
Aus Zeitgründen wollen wir den Algorithmus nicht zu oftanwenden.Kreuzvalidierung: Die Lernmenge wird zufällig in n
Mengen aufgeteilt. Der Algorithmus lernt ausn − 1 Mengen und testet auf derausgelassenen Menge. Dies wird n malgemacht.
Katharina Morik MLV – Einführung
![Page 108: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/108.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Kreuzvalidierung
Man teile alle verfügbaren Beispiele in n Mengen auf. z.B.n = 10.Für i=1 bis i=n:
Wähle die i-te Menge als Testmenge,die restlichen n − 1 Mengen als Lernmenge.Messe die Qualität auf der Testmenge.
Bilde das Mittel der gemessenen Qualität über allen nLernläufen. Das Ergebnis gibt die Qualität desLernergebnisses an.
Katharina Morik MLV – Einführung
![Page 109: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/109.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Kreuzvalidierung
Man teile alle verfügbaren Beispiele in n Mengen auf. z.B.n = 10.Für i=1 bis i=n:
Wähle die i-te Menge als Testmenge,die restlichen n − 1 Mengen als Lernmenge.Messe die Qualität auf der Testmenge.
Bilde das Mittel der gemessenen Qualität über allen nLernläufen. Das Ergebnis gibt die Qualität desLernergebnisses an.
Katharina Morik MLV – Einführung
![Page 110: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/110.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Kreuzvalidierung
Man teile alle verfügbaren Beispiele in n Mengen auf. z.B.n = 10.Für i=1 bis i=n:
Wähle die i-te Menge als Testmenge,die restlichen n − 1 Mengen als Lernmenge.Messe die Qualität auf der Testmenge.
Bilde das Mittel der gemessenen Qualität über allen nLernläufen. Das Ergebnis gibt die Qualität desLernergebnisses an.
Katharina Morik MLV – Einführung
![Page 111: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/111.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Kreuzvalidierung
Man teile alle verfügbaren Beispiele in n Mengen auf. z.B.n = 10.Für i=1 bis i=n:
Wähle die i-te Menge als Testmenge,die restlichen n − 1 Mengen als Lernmenge.Messe die Qualität auf der Testmenge.
Bilde das Mittel der gemessenen Qualität über allen nLernläufen. Das Ergebnis gibt die Qualität desLernergebnisses an.
Katharina Morik MLV – Einführung
![Page 112: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/112.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Kreuzvalidierung
Man teile alle verfügbaren Beispiele in n Mengen auf. z.B.n = 10.Für i=1 bis i=n:
Wähle die i-te Menge als Testmenge,die restlichen n − 1 Mengen als Lernmenge.Messe die Qualität auf der Testmenge.
Bilde das Mittel der gemessenen Qualität über allen nLernläufen. Das Ergebnis gibt die Qualität desLernergebnisses an.
Katharina Morik MLV – Einführung
![Page 113: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/113.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Kreuzvalidierung
Man teile alle verfügbaren Beispiele in n Mengen auf. z.B.n = 10.Für i=1 bis i=n:
Wähle die i-te Menge als Testmenge,die restlichen n − 1 Mengen als Lernmenge.Messe die Qualität auf der Testmenge.
Bilde das Mittel der gemessenen Qualität über allen nLernläufen. Das Ergebnis gibt die Qualität desLernergebnisses an.
Katharina Morik MLV – Einführung
![Page 114: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/114.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Fragestellungen des maschinellen Lernens
Welche Zusicherungen kann ich meinen Kunden geben?(Fehlerschranken)Wieviele Beispiele brauche ich?Welche Eigenschaften sollen die Beispiele haben, um gutvorherzusagen und wie finde (erzeuge) ich sie?Welche Modellklasse soll ich wählen?Welcher Algorithmus wird mit vielen Beispielen und vielenDimensionen in kurzer Zeit fertig?
Katharina Morik MLV – Einführung
![Page 115: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/115.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Fragestellungen des maschinellen Lernens
Welche Zusicherungen kann ich meinen Kunden geben?(Fehlerschranken)Wieviele Beispiele brauche ich?Welche Eigenschaften sollen die Beispiele haben, um gutvorherzusagen und wie finde (erzeuge) ich sie?Welche Modellklasse soll ich wählen?Welcher Algorithmus wird mit vielen Beispielen und vielenDimensionen in kurzer Zeit fertig?
Katharina Morik MLV – Einführung
![Page 116: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/116.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Fragestellungen des maschinellen Lernens
Welche Zusicherungen kann ich meinen Kunden geben?(Fehlerschranken)Wieviele Beispiele brauche ich?Welche Eigenschaften sollen die Beispiele haben, um gutvorherzusagen und wie finde (erzeuge) ich sie?Welche Modellklasse soll ich wählen?Welcher Algorithmus wird mit vielen Beispielen und vielenDimensionen in kurzer Zeit fertig?
Katharina Morik MLV – Einführung
![Page 117: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/117.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Fragestellungen des maschinellen Lernens
Welche Zusicherungen kann ich meinen Kunden geben?(Fehlerschranken)Wieviele Beispiele brauche ich?Welche Eigenschaften sollen die Beispiele haben, um gutvorherzusagen und wie finde (erzeuge) ich sie?Welche Modellklasse soll ich wählen?Welcher Algorithmus wird mit vielen Beispielen und vielenDimensionen in kurzer Zeit fertig?
Katharina Morik MLV – Einführung
![Page 118: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/118.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Fragestellungen des maschinellen Lernens
Welche Zusicherungen kann ich meinen Kunden geben?(Fehlerschranken)Wieviele Beispiele brauche ich?Welche Eigenschaften sollen die Beispiele haben, um gutvorherzusagen und wie finde (erzeuge) ich sie?Welche Modellklasse soll ich wählen?Welcher Algorithmus wird mit vielen Beispielen und vielenDimensionen in kurzer Zeit fertig?
Katharina Morik MLV – Einführung
![Page 119: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/119.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was wissen Sie jetzt?
Sie haben Clustering (Kategorisierung) und Klassifikationals menschliches Lernen gesehen.Die Lernaufgaben Clustering, Klassifikation, Regressionhaben Sie auch als Aufgaben des maschinellen Lernensgesehen.Sie wissen, was die Kreuzvalidierung ist.
Katharina Morik MLV – Einführung
![Page 120: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/120.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was wissen Sie jetzt?
Sie haben Clustering (Kategorisierung) und Klassifikationals menschliches Lernen gesehen.Die Lernaufgaben Clustering, Klassifikation, Regressionhaben Sie auch als Aufgaben des maschinellen Lernensgesehen.Sie wissen, was die Kreuzvalidierung ist.
Katharina Morik MLV – Einführung
![Page 121: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/121.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was wissen Sie jetzt?
Sie haben Clustering (Kategorisierung) und Klassifikationals menschliches Lernen gesehen.Die Lernaufgaben Clustering, Klassifikation, Regressionhaben Sie auch als Aufgaben des maschinellen Lernensgesehen.Sie wissen, was die Kreuzvalidierung ist.
Katharina Morik MLV – Einführung
![Page 122: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/122.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was wissen Sie noch nicht?
Es gibt viele verschiedene Modellklassen. Damit werdendie Lernaufgaben spezialisiert.Es gibt unterschiedliche Qualitätsfunktionen. Damit werdendie Lernaufgaben als Optimierungsaufgaben definiert.Die Algorithmen zur Lösung der Lernaufgaben werden Siein der Vorlesung kennenlernen und ihre Kernmethoden inden Übungen selbst implementieren.
Katharina Morik MLV – Einführung
![Page 123: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/123.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was wissen Sie noch nicht?
Es gibt viele verschiedene Modellklassen. Damit werdendie Lernaufgaben spezialisiert.Es gibt unterschiedliche Qualitätsfunktionen. Damit werdendie Lernaufgaben als Optimierungsaufgaben definiert.Die Algorithmen zur Lösung der Lernaufgaben werden Siein der Vorlesung kennenlernen und ihre Kernmethoden inden Übungen selbst implementieren.
Katharina Morik MLV – Einführung
![Page 124: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/124.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Was wissen Sie noch nicht?
Es gibt viele verschiedene Modellklassen. Damit werdendie Lernaufgaben spezialisiert.Es gibt unterschiedliche Qualitätsfunktionen. Damit werdendie Lernaufgaben als Optimierungsaufgaben definiert.Die Algorithmen zur Lösung der Lernaufgaben werden Siein der Vorlesung kennenlernen und ihre Kernmethoden inden Übungen selbst implementieren.
Katharina Morik MLV – Einführung
![Page 125: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/125.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 126: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/126.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 127: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/127.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 128: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/128.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 129: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/129.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 130: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/130.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 131: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/131.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 132: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/132.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 133: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/133.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Themen
k neirest Neighbor und least squares und das Problem vonbias und varianceEntscheidungsbäumenaive Bayeslogistische RegressionStützvektormethode (SVM) und strukturelleRisikominimierungK-Means Clusteringverteiltes ClusteringSubgruppenentdeckung (KBS) und BoostingMerkmalsextraktion und sogar lernendeMerkmalsextraktion
Katharina Morik MLV – Einführung
![Page 134: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/134.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Grundidee der Vorlesung
Die Vorlesung behandelt die Themen unter drei Aspekten:Theorie: abstrakte Darstellung der Lernaufgabe, ihrerAnnahmen, Eigenschaften. Dies gründet sich auf diestatistische Lerntheorie [2]. Als Mathe-Buch kann mandazu verwenden [3] und [1].Algorithmik: wie löst man nun also die Lernaufgabe?Praxis: Algorithmen werden in Java programmiert – zumTeil selbst in den Übungen.
Katharina Morik MLV – Einführung
![Page 135: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/135.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Grundidee der Vorlesung
Die Vorlesung behandelt die Themen unter drei Aspekten:Theorie: abstrakte Darstellung der Lernaufgabe, ihrerAnnahmen, Eigenschaften. Dies gründet sich auf diestatistische Lerntheorie [2]. Als Mathe-Buch kann mandazu verwenden [3] und [1].Algorithmik: wie löst man nun also die Lernaufgabe?Praxis: Algorithmen werden in Java programmiert – zumTeil selbst in den Übungen.
Katharina Morik MLV – Einführung
![Page 136: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/136.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Grundidee der Vorlesung
Die Vorlesung behandelt die Themen unter drei Aspekten:Theorie: abstrakte Darstellung der Lernaufgabe, ihrerAnnahmen, Eigenschaften. Dies gründet sich auf diestatistische Lerntheorie [2]. Als Mathe-Buch kann mandazu verwenden [3] und [1].Algorithmik: wie löst man nun also die Lernaufgabe?Praxis: Algorithmen werden in Java programmiert – zumTeil selbst in den Übungen.
Katharina Morik MLV – Einführung
![Page 137: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/137.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Übungen
Christian Bockermann betreut die Übungen und steht auch fürFragen zur Verfügung.Wir verwenden das System RapidMiner und können damit
(fast) alle Lernverfahren und Transformationen der Datendurchführenden Kern bestimmter Lernverfahren selbst implementierenund in der RapidMiner-Umgebung ablaufen lassen.
Durch das eigene Implementieren in Java wird die Theorie miteigener Praxis verbunden. So versteht man sie besser, behältsie auch und besteht sehr gut eine Prüfung!
Katharina Morik MLV – Einführung
![Page 138: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/138.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Übungen
Christian Bockermann betreut die Übungen und steht auch fürFragen zur Verfügung.Wir verwenden das System RapidMiner und können damit
(fast) alle Lernverfahren und Transformationen der Datendurchführenden Kern bestimmter Lernverfahren selbst implementierenund in der RapidMiner-Umgebung ablaufen lassen.
Durch das eigene Implementieren in Java wird die Theorie miteigener Praxis verbunden. So versteht man sie besser, behältsie auch und besteht sehr gut eine Prüfung!
Katharina Morik MLV – Einführung
![Page 139: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/139.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Wofür bekommen Sie einen Schein?
Kommen Sie in jede Vorlesung – dann können Sie auchdas Tempo bestimmen und Fragen stellen.Gehen Sie in die Übungsgruppe!Lösen Sie jede Übungsaufgabe: Werden 80% derÜbungsaufgaben korrekt gelöst, bekommt man einenSchein.
Katharina Morik MLV – Einführung
![Page 140: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/140.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Wofür bekommen Sie einen Schein?
Kommen Sie in jede Vorlesung – dann können Sie auchdas Tempo bestimmen und Fragen stellen.Gehen Sie in die Übungsgruppe!Lösen Sie jede Übungsaufgabe: Werden 80% derÜbungsaufgaben korrekt gelöst, bekommt man einenSchein.
Katharina Morik MLV – Einführung
![Page 141: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/141.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Wofür bekommen Sie einen Schein?
Kommen Sie in jede Vorlesung – dann können Sie auchdas Tempo bestimmen und Fragen stellen.Gehen Sie in die Übungsgruppe!Lösen Sie jede Übungsaufgabe: Werden 80% derÜbungsaufgaben korrekt gelöst, bekommt man einenSchein.
Katharina Morik MLV – Einführung
![Page 142: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/142.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Wir sehen uns...
In der ersten Übung wird RapidMiner vorgestellt. Sie findetstatt:Am Donnerstag 16.10.2008In GB IV Raum 113
Katharina Morik MLV – Einführung
![Page 143: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/143.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur
Gerald Farin and Dianne Hansford.Lineare Algebra – Ein geometrischer Zugang.Springer, 2003.
Trevor Hastie, Robert Tibshirani, and Jerome Friedman.The Elements of Statistical Learning: Data Mining,Inference, and Prediction.Springer series in statistics. Springer, New York, USA,2001.
Gerald Teschl and Susanne Teschl.Mathematik für Informatiker.Springer, 2006.
Katharina Morik MLV – Einführung
![Page 144: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/144.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur
Gerald Farin and Dianne Hansford.Lineare Algebra – Ein geometrischer Zugang.Springer, 2003.
Trevor Hastie, Robert Tibshirani, and Jerome Friedman.The Elements of Statistical Learning: Data Mining,Inference, and Prediction.Springer series in statistics. Springer, New York, USA,2001.
Gerald Teschl and Susanne Teschl.Mathematik für Informatiker.Springer, 2006.
Katharina Morik MLV – Einführung
![Page 145: Vorlesung Maschinelles Lernen - Überblick · LS 8 Künstliche Intelligenz Fakultät für Informatik Technische Universität Dortmund AnwendungenMenschliches LernenMaschinelles LernenZusammenfassungVorlesungsablauf](https://reader033.vdokument.com/reader033/viewer/2022050716/5e1b9b904014dc11b83e41d8/html5/thumbnails/145.jpg)
LS 8 Künstliche Intelligenz Fakultät für InformatikTechnische Universität Dortmund
Anwendungen Menschliches Lernen Maschinelles Lernen Zusammenfassung Vorlesungsablauf
Literatur
Gerald Farin and Dianne Hansford.Lineare Algebra – Ein geometrischer Zugang.Springer, 2003.
Trevor Hastie, Robert Tibshirani, and Jerome Friedman.The Elements of Statistical Learning: Data Mining,Inference, and Prediction.Springer series in statistics. Springer, New York, USA,2001.
Gerald Teschl and Susanne Teschl.Mathematik für Informatiker.Springer, 2006.
Katharina Morik MLV – Einführung