Überwachtes Lernen | Die Welt der KI entdecken 05

Summary

Dieses Skript führt in das Thema des maschinellen Lernens, insbesondere in das überwachte Lernen, mit einem Anwendungsbeispiel von Affen im Zoo. Es erklärt, wie durch die Analyse von Merkmalen wie Augenform und Lächeln, Regeln zur Vorhersage von Verhaltensweisen entwickelt werden können. Der Entscheidungsbaum, ein Modell, das Computer erstellen können, wird als Methode zur Datenklassifizierung vorgestellt. Das Skript zeigt, wie das maschinelle Lernen auf verschiedene Anwendungsfälle, wie die E-Mail-Spam-Klassifizierung oder die Vorhersage von Hauspreisen, angewendet werden kann und betont die Bedeutung von Testdaten zur Überprüfung der Modellgüte.

Takeaways

• 🧠 Maschinelles Lernen kann durch Belohnung und Bestrafung sowie überwachtes Lernen stattfinden.
• 🐵 Ein Beispielszenario ist die Unterscheidung von bissigen und nicht-bissigen Affen anhand bestimmter Merkmale.
• 🔍 Merkmalsanalyse ist entscheidend, um Regeln zu erstellen, die bei der Klassifizierung helfen.
• 📈 Der Entscheidungsbaum ist ein Werkzeug, das von Computern genutzt werden kann, um Daten anhand von Regeln zu klassifizieren.
• 📊 Überwachtes Lernen erfordert beschriftete Daten, um Muster zu erkennen und zu lernen.
• 🔧 Der Lernprozess kann überwacht und angepasst werden, um die Genauigkeit des Modells zu verbessern.
• 📝 Beschriftete Daten werden für den Trainings- und Testprozess verwendet, um das Modell zu validieren.
• 🔎 Die Wahl der richtigen Merkmale ist entscheidend für die Effektivität des Klassifikationsmodells.
• 📉 Ein Modell kann über- oder unteranpasst sein, was zu einer nicht optimalen Klassifikation führen kann.
• 🏠 Anwendungsbeispiele für überwachtes Lernen sind die Klassifikation von E-Mails als Spam, die Erkennung von Viren oder die Vorhersage von Hauspreisen.
• 🔮 Maschinelles Lernen kann auch für Vorhersagen verwendet werden, z.B. für den Kündigungszeitpunkt von Abonnements oder Entwicklungen an der Börse.

Q & A

Was ist das Thema des dritten Tages im Video?

Das Thema des dritten Tages ist das maschinelle Lernen und wie es sich von anderen traditionellen Ansätzen unterscheidet.

Was ist eine der ersten Arten des maschinellen Lernens, die im Video erwähnt wird?

Eine der ersten Arten des maschinellen Lernens, die erwähnt wird, ist das Lernen durch Belohnung und Bestrafung.

Was ist das Hauptziel des überwachten Lernens, das im Video vorgestellt wird?

Das Hauptziel des überwachten Lernens ist es, Regeln zu finden, anhand derer man bestimmen kann, ob neue Affen beißen oder nicht.

Wie unterscheidet sich das überwachte Lernen vom Lernen durch Belohnung und Bestrafung?

Beim überwachten Lernen werden Regeln anhand von Daten erstellt, die bereits mit Beschriftungen versehen sind, während beim Lernen durch Belohnung und Bestrafung das Lernen auf der Reaktion auf bestimmte Ereignisse basiert.

Was sind die Merkmale, die im Video für die Unterscheidung von Affen verwendet werden?

Die Merkmale, die verwendet werden, sind zum Beispiel die Form der Augen, ob und wie die Augen geöffnet sind, sowie das Lächeln der Affen.

Was ist ein Entscheidungsbaum und wie wird er im Video verwendet?

Ein Entscheidungsbaum ist ein Modell, das verwendet wird, um Daten anhand von Regeln in verschiedene Kategorien zu sortieren. Im Video wird er verwendet, um zu bestimmen, ob ein Affe beißen wird oder nicht.

Wie wird im Video gezeigt, wie man einen Entscheidungsbaum aufbaut?

Im Video wird gezeigt, dass man einen Entscheidungsbaum aufbaut, indem man die Daten anhand der Merkmale teilt und das beste Merkmal identifiziert, um die Daten zu unterscheiden.

Was ist das Ziel des Tests mit den zurückgehaltenen Affen im Video?

Das Ziel des Tests ist es, zu überprüfen, wie gut der erstellte Entscheidungsbaum funktioniert und ob er korrekt vorhersagt, ob ein Affe beißen wird oder nicht.

Was ist das Ergebnis des Tests mit den zurückgehaltenen Affen im Video?

Das Ergebnis des Tests ist, dass von acht Affen sieben korrekt klassifiziert wurden, was einer Erfolgsquote von 87,5 Prozent entspricht.

Was ist der Unterschied zwischen überwachtem Lernen und nicht überwachtem Lernen?

Beim überwachten Lernen sind die Daten mit Beschriftungen versehen und der Lernprozess wird überwacht, um Regeln zu erstellen. Beim nicht überwachten Lernen werden keine vordefinierten Beschriftungen verwendet, und das System muss die Struktur der Daten selbst erkennen.

Was sind einige Anwendungsfälle für das überwachte Lernen, die im Video erwähnt werden?

Einige Anwendungsfälle für das überwachte Lernen, die erwähnt werden, sind die Klassifizierung von E-Mails als Spam oder nicht Spam, die Identifizierung von Viren anhand von Bildern und die Vorhersage von Hauspreisen anhand von Flächeneigenschaften.

Outlines

00:00

🐵 Maschinelles Lernen: Von der Belohnung und Bestrafung zum überwachten Lernen

Dieses Kapitel stellt den Übergang vom maschinellen Lernen durch Belohnung und Bestrafung hin zum überwachten Lernen dar. Es wird beschrieben, wie man mithilfe von Merkmalen wie z.B. Augenform und Lächeln von Affen in der Zooführung bestimmt, welche Tiere bite und welche nicht. Der Fokus liegt auf der Erstellung von Regeln anhand dieser Merkmale, um neue Affen zu klassifizieren. Der Prozess des Erstellens eines Entscheidungsbaumes und das Testen dieses Modells mit zurückgehaltenen Daten werden detailliert erläutert, um die Effektivität des Modells zu überprüfen.

05:01

📊 Bewerten des Lernprozesses: Vom Training bis zur Anwendung

Dieses Paragraph beschäftigt sich mit der Bewertung des Lernprozesses im Rahmen des überwachten Lernens. Es erläutert, wie durch das Testen des Modells mit neuen Daten die Leistungsfähigkeit des Modells bestimmt wird. Es wird auf die Bedeutung von Testdaten eingegangen, die nicht im Trainingsprozess verwendet wurden, um die Genauigkeit des Modells zu validieren. Zudem wird erklärt, wie das Modell dann zur Klassifizierung neuer, unbekannter Daten eingesetzt werden kann, nachdem seine Effizienz durch den Test geprüft wurde.

10:01

🔍 Überwachtes Lernen und seine Anwendung in der Datenklassifizierung

In diesem Abschnitt wird das Konzept des überwachten Lernens in der Praxis erläutert, wobei es um die Klassifizierung von Daten geht. Es wird beschrieben, wie mithilfe von beschrifteten Daten Mustern erkannt werden können, die dann zur Kategorisierung neuer Daten verwendet werden. Beispiele dafür sind die Unterscheidung von Gemüse und Obst basierend auf Nährstoffen und Kalorien oder die Klassifizierung von E-Mails als Spam oder nicht Spam. Auch die Herausforderungen, die bei der Erkennung von mehr als zwei Kategorien auftreten können, werden angesprochen.

15:04

🏠 Anwendungen des überwachten Lernens in der Praxis: Von der E-Mail-Klassifizierung bis zur Hauspreisprognose

Dieser letzte Absatz des Skripts befasst sich mit realen Anwendungen des überwachten Lernens in verschiedenen Bereichen. Es werden Beispiele wie die Klassifizierung von E-Mails als Spam oder die Vorhersage von Hauspreisen anhand verschiedener Merkmale gegeben. Es wird auch auf die Komplexität eingegangen, die bei der Vorhersage numerischer Werte im Gegensatz zur Klassifikation von Kategorien entsteht, und wie verschiedene Algorithmen und Modelle für solche Aufgaben eingesetzt werden können.

Keywords

💡Maschinelles Lernen

Maschinelles Lernen ist eine Disziplin der künstlichen Intelligenz, die Algorithmen erschafft, die aus Daten lernen können. Im Video wird es als zentrales Thema behandelt, um zu veranschaulichen, wie Computer lernen können, Aufgaben zu bewältigen, indem sie durch Belohnung und Bestrafung oder überwachte Lernprozesse trainiert werden.

💡Überwachtes Lernen

Überwachtes Lernen ist ein Ansatz im maschinellen Lernen, bei dem ein Modell mit gelabelten Daten trainiert wird. Im Video wird dies anhand des Beispiels eines Tierpflegers im Zoo veranschaulicht, der Regeln findet, um zu bestimmen, welche Affen beißen und welche nicht, basierend auf bestimmten Merkmalen.

💡Entscheidungsbaum

Ein Entscheidungsbaum ist ein Diagramm, das als Entscheidungshilfe dient und bei dem jede Ramification eine Frage oder einen Test darstellt, dessen Antwort die nächste Entscheidung bestimmt. Im Video wird gezeigt, wie ein Entscheidungsbaum verwendet wird, um zu entscheiden, ob ein Affe beißen wird oder nicht, basierend auf seinen Eigenschaften.

💡Merkmale

Merkmale sind die Eigenschaften oder Charakteristika, die verwendet werden, um Datensätze in maschinellem Lernen zu beschreiben. Im Video werden Merkmale wie das Aussehen der Augen oder das Lächeln von Affen genutzt, um zu lernen, wer beißen wird und wer nicht.

💡Beschriftete Daten

Beschriftete Daten sind Daten, die Kategorien oder Eigenschaften zugeordnet sind. Sie sind für das überwachte Lernen unerlässlich, da sie den Algorithmus beibringen, wie die Eingabedaten zu klassifizieren sind. Im Video werden beschriftete Daten von Affen verwendet, um ein Modell zu trainieren.

💡Modell

Ein Modell im Kontext des maschinellen Lernens ist eine Abbildung, die aus den Trainingsdaten gelernt wurde und verwendet wird, um auf neue, unbekannte Daten zu generalisieren. Im Video wird ein Modell trainiert, um zu bestimmen, ob ein Affe beißen wird oder nicht, basierend auf den Merkmalen der Affen.

💡Testdaten

Testdaten sind ein Satz von Daten, die nicht im Trainingsprozess verwendet werden, sondern dazu dienen, die Leistung eines trainierten Modells zu bewerten. Im Video werden Testdaten verwendet, um zu überprüfen, wie gut das Affen-Modell funktioniert.

💡Genauigkeit

Genauigkeit ist ein Maß für die Qualität der Vorhersagen eines Modells. Sie gibt an, wie oft das Modell korrekte Vorhersagen trifft. Im Video wird die Genauigkeit verwendet, um die Leistung des Modells für das Beispiel der Affen zu messen.

💡Klassifikation

Klassifikation ist der Prozess, bei dem maschinelles Lernen Eingaben in vordefinierte Kategorien einteilt. Im Video wird Klassifikation verwendet, um zu entscheiden, ob ein Affe beißen wird oder nicht, und wird auch für andere Beispiele wie die Unterscheidung von Obst und Gemüse erklärt.

💡Support Vector Machines

Support Vector Machines (SVM) sind ein Typ von maschinellem Lernalgorithmen, der verwendet wird, um Daten in verschiedene Kategorien zu klassifizieren. Im Video werden SVM als Beispiel für einen Algorithmus genannt, der für die Klassifikation verwendet werden kann, wenn es um die Unterscheidung von komplexen Daten geht.

Highlights

Die Vorstellung des Themas maschinelles Lernen und dessen Unterschiede zu traditionellen Lernmethoden.

Erklärung des Lernens durch Belohnung und Bestrafung als erste Art des maschinellen Lernens.

Beschreibung des überwachten Lernens als bekannteste Form des maschinellen Lernens.

Das Beispiel des Zootierpflegers und die Herausforderung, neue Affen nach ihren Bitetenden zu klassifizieren.

Die Bedeutung von Merkmalen wie Zungenzeigen, Augenform und Öffnung zur Unterscheidung von bissigen und nicht-bissigen Affen.

Die Vorstellung des Entscheidungsbaums als Modell zur Klassifikation der Affen.

Der Prozess der Erstellung von Regeln basierend auf den Merkmalen der Affen.

Die Verwendung von Tests, um die Richtigkeit der erstellten Regeln zu überprüfen.

Die Bedeutung des Informationsgewinns bei der Auswahl der besten Merkmale zur Klassifikation.

Die Erklärung des supervised learning Prozesses und die Notwendigkeit von beschrifteten Daten.

Das Konzept des Fittings und die Vermeidung von Overfitting in maschinellem Lernen.

Die Anwendung von überwachtem Lernen in der Praxis, wie zum Beispiel in der Bildklassifizierung.

Die Bedeutung von Testdaten zur Überprüfung der Leistungsfähigkeit des Modells.

Der Unterschied zwischen supervised learning und anderen Lernmethoden wie unsupervised learning.

Die Anwendung von überwachtem Lernen in der E-Mail-Spam-Klassifizierung und der Virusidentifikation.

Die Erklärung des Support Vector Machines als Methode zur Klassifikation von Daten.

Das Konzept der numerischen Vorhersage und sein Einsatz bei der Immobilienpreisvorhersage.

Die Bedeutung von Merkmalen wie Lage, Baujahr bei der Vorhersage von Hauspreisen.

Die Anwendung von maschinellem Lernen zur Vorhersage von Abonnement-Kündigungen und Börsenentwicklungen.

Transcripts

hey und willkommen zu woche 2 letzte

woche haben wir uns mit maschinellem

lernen beschäftigt und wie es sich von

anderen traditionellen ansetzung von

cali unterscheidet wir haben wir

verstärken dem lernen auch die erste art

von maschinen lernen kennen gelernt also

lernen durch belohnung und bestrafung

aber das ist nicht der einzige weg wie

maschinen lernen können eine bestimmte

aufgabe zu bewältigen

heute wollen wir etwas über überwachtes

lernen lernen

der wohl bekanntesten form maschinellen

lernens und zunächst einmal besteht

unsere aufgabe dafür heute darin uns

nicht beißen zu lassen versetzen oder

stellen wir uns vor wir sind tierpfleger

im zoo und für die fütterung der äffchen

verantwortlich wir haben zwei jahren

gehen sehen sehr niedlich aus aber wir

müssen vorsichtig sein denn einige

äffchen beißen da wissen wir natürlich

welche der äffchen die wir schon im zu

haben beißen und welche nicht

aber es werden bald neue fcn zu uns re

gruppen zu stoßen und wir wollen jetzt

einen weg finden festzustellen welche

dieser neuen affen beißen und welche

nicht und das am besten in ihren zellen

zu nahe zu kommen

wir haben also eine reihe von äffchen

von denen wir wissen dass sie beißen und

eine reihe von äffchen von denen wir

wissen dass sie nicht beißen

diese äffchen unterscheiden sich in

bestimmten merkmalen zum beispiel sie

ihre zunge zeigen ob und wie die augen

geöffnet sind auch die form der augen

usw

jetzt ist es unsere aufgabe anhand der

merkmale der äffchen regeln zu finden

mit deren hilfe wir feststellen können

ob neuem zwei ankommende äffchen beißen

oder nicht weisst du kannst das video an

dieser stelle gerne an halten und

versuchen diese regeln selbst zu finden

nutzer dazu den link in der

kurzbeschreibung schauen wir uns mal

wickeln wir finden wenn wir beide

gruppen vergleichen sehen wir dass nur

elf jahren die beißen auch ex förmige

augen haben dies könnte also ein guter

ansatzpunkt sein wenn ein fx familie

augen hat dann beschriften wäre es mit

weist aber nur mit dieser entscheidung

allein ist es nicht getan

es gibt immer noch einige äffchen die

beißen und keine iks augen haben

nehmen wir das mal als ausgangsbasis und

schon in einem nächsten schritt wie wir

die regeln weiter verfeinern können wir

sehen ja auch dass nur häppchen beißen

die lächeln aber nicht ihre zähne zeigen

das ist ja eigentlich ein noch besseres

merkmal zur unterscheidung mädchen mit

den ihks augen erfassen wir zwei mit den

lächelnden aber nicht ihre zähne zeigen

denn gleich drei beißen äffchen bist du

auf etwas ähnliches gekommen wir können

unsere zwei regeln zwar so wie du sie

gerade definiert haben aufschreiben

aber es gibt da noch eine andere

vielleicht schön eine art und weise wie

wir gesehen haben ist die tatsache ob

das äffchen lächelt oder nicht das beste

merkmalen wir sagen dazu auch das

merkmal mit dem höchsten

informationsgewinn und zwischen

beißenden und nicht beißen den äffchen

zu unterscheiden zunächst einmal

betrifft mehr also alle lächeln den

äffchen mit beißt für diejenigen die

nicht lächeln berücksichtigen wir jetzt

noch die augen wenn es higgs augen hat

dann beschriften wir es mit beißt

ansonsten mit weiß nicht

das ergebnis ist ein modell das wir

entscheidungsbaum nennen und auch ein

computer könnte einen solchen

entscheidungsbaum erstellen könnt ihnen

lernen in dem er ähnlich wie wir die

daten wiederholt mit hilfe der merkmale

aufteilt um das besser nachzuvollziehen

werden jetzt alle äffchen die beißen mit

rotem hintergrund einfärben und die

nicht beißenden äffchen so belassen wie

sie sind

als erstes würde der computer nun das

beste merkmale identifiziert um die

daten zu unterscheiden in unserem fall

würde so zwingen kann jetzt keine gute

eigenschaft bilden aber ob ein äffchen

lächelt oder nicht eben schon der

computer bedienen sie daten demnach

aufteilen in die äffchen die lächeln und

die die nicht lächeln nun würde diese

beiden teilmengen analysieren also

zuerst alle äffchen lächeln und für die

geld ja dass sie alle beißen also kann

ich hier aufhören und diesen ast des

baumes bereits betten

dann muss er sich die andere

verbleibende untermenge von äffchen

ansehen und würde prüfen aber auch für

diesen ast nichts mehr zu tun ist weil

es in der menge aber sowohl äffchen gibt

die beißen als auch äffchen die nicht

beißen muss es weitergehen

noch einmal wird also das beste mag man

von dieser menge identifiziert in diesem

fall also das vorhandensein von ex augen

und die daten werden entsprechend

aufgeteilt

nun weisen alle äffchen mit ex augen

alle ohne iks augen nicht so dass diese

erste beendet werden können und der baum

gewissermaßen fertig ist wir haben jetzt

absichtlich einige der äffchen aus

unserem zurückgehalten um jetzt prüfen

zu können wie gut unser

entscheidungsbaum tatsächlich

funktioniert schauen wir uns mal das

erste von den zurückgehaltenen äffchen

an das erste merkmal auf dass wir

unseren entscheidungsbaum prüfen lächeln

das nicht vorhanden

dafür hat das fx auge absagen nach

unseren regeln sollte die sache also

beißen da dies nur ein test ist erhalten

wir rückmeldung darüber ob das korrekt

ist und in dem fall ist es korrekt das

heißt wir können uns in counter wir das

wissen

wir haben das merkmal lächeln nach

unseren regeln sollte dieser affäre also

weiß dass wieder nur ein test ist wissen

wir dass das korrekt ist und für den

nächsten der lächelt nicht hat keine iks

augen nach unseren regeln sollte dieser

affe also nicht beißen da dies nur ein

test ist kann mir die karte umdrehen und

prüfen und das korrektes und auch das

ist richtig und dieser fiel hier der

lächelt auch nicht das erste merkmal mit

dem wir entscheiden hat demnach die

ausprägung nein das zweite iks augen hat

die ausprägung jahr

wir würden es also mit weist beschriften

da es sich um cs daten handelt können

wir nochmals überprüfen unterkriegen

feedback darüber ob er recht haben und

in diesem fall weist das äffchen

tatsächlich nicht unser modell würde

also falsch entscheiden

das wiederholen wir jetzt noch für ein

paar häppchen

[Musik]

insgesamt sieben von acht richtig das

ist ziemlich gut und entspricht einer

erfolgsquote von 87,5 prozent

das modell scheint also ganz gute

ergebnisse zu liefern damit sind wir für

die neuen äffchen ganz gut gewappnet und

zweiten nicht mehr allzu oft gebissen

werden wir kapitulieren wir unser vorn

wir hatten einen haufen von affen von

den wir wussten ob sie weinen oder nicht

dann haben wir uns auf bestimmte

merkmale dieser affen konzentriert um

regeln zu finden waren ein apfel beißt

und wann nicht

und diese regeln wir anschließend mit

weiteren acht und getestet von denen wir

wussten ob sie weisen oder nicht um zu

beurteilen wie gut unsere regeln sind

wenn wir diese arbeit am computer

überlassen würden würden wir das ganze

überwachtes lernen

voraussetzung für die anwendung des

überwachten lernens ist das

vorhandensein von beschrifteten oder

auch gelitten da die wird königs daten

nennen

das können sie im beispiel des roboters

geometrische formen mit dem

beschriftungen a b c oder d sein oder

wie wir sind uns von vorherigen aufgaben

hatten die bilder darf die ebenfalls

passend oder nicht meisten beschüttet

mit ein wenig glück können wir auch

vorhandene daten zurückgreifen und mit

weniger gibt wissen wir die daten die

wir als grundlage für unser modell

verwenden wollen selbst beschriften

aus diesen gestifteten eingaben findet

der algorithmus ein muster um die

eingaben zum beispiel form und farbe

geometer schönbrunn oder eben ob der

achte lächelt oder nicht und ihre

beschichtung nun beispielsweise a oder

beißend zu tun

im wesentlichen wird der satz von regeln

erstellt der die zuordnung der merkmale

zum label ermöglicht und diese regeln

werden schritt für schritt verändert da

die beschichtung der eingaben aus der

trainings mehr bekannte kann der

lernprozess überwacht werden

das verfahren erhält eine rücken

ob und inwieweit die aufgestellten

regeln angaben bereits mit der richtigen

beschichtung versehen oder ihn nicht und

auf basis dieser rückmeldung

während die regeln entsprechend

angepasst um schrittweise ein immer

besseres ergebnis zu ziehen

in unserem beispiel haben wir

festgestellt dass das alleinige

betrachten dx augen nicht ausreicht und

daher haben wir unsere regel wird und

die regel bezüglich des lächelns taffen

erweitert dieser schritt wird auch

keines phase genannt das modell für

unseren roboter die holzstadt lohne

stellt die gesamtheit aller regeln da

die die empfangen der eingabe mit den

richtigen beschriftungen versehen sollen

diese regeln können jetzt entweder

explizit als entscheidungs form

dargestellt werden wie wärs mit uns warm

gemacht haben oder implizit durch die

parameter eines neuronalen netzes

darüber werden wir der nächsten woche

mehr erfahren wie das in neuronalen

netzen funktionieren und in der praxis

ist für zu springen stellende ergebnisse

meist eine große große menge an

trainingszeiten erfolg einfach nicht zum

beispiel im fall von bilderkennung

bedeutet dass zehntausende von bildern

von katzen und hunden oder was auch

immer wir erkennen beziehungsweise

unterscheiden haben

nachdem das könnte jetzt abgeschlossen

ist kann das modell verwenden werden um

ähnliche neue daten zu beschriften

zum beispiel kann der roboter nun seine

vorlage verwenden um weitere

geometrische formen zu geschäften ein

überwacht der lernprozess der für die

unterscheidung von katzen und hunden auf

fotos trainiert wurde kann nun auch für

die beschriftung unbekannter bilder von

unten oder katzen verwendet werden

selbst wenn der blickwinkel oder die

lichtverhältnisse des fotos von denen

des trainings erreichen bevor ein

solches modell jetzt aber tatsächlich

zum einsatz kommt sollte seine

leistungsfähigkeit wie beispielsweise

eine genauigkeit entwickelt zu diesem

zweck sinnvoll

einige der ursprünglich erhalten den

beschrifteten eingaben als so genannte

test daten aufzubewahren

diese werden nun verwendet um zu

überprüfen überprüfen die gutes

verfahren diese eingaben die bisherigen

nicht für den

im prozess verwendet wurden beschädigt

sollen wir das auch bei uns zum affen

gemacht

je nach verwendungszweck ist man mit

unterschiedlichen genauigkeit graben des

modells zufrieden für das ausbilden von

werbung können zum beispiel 60 prozent

korrekt beschriftet es daten austauschen

wenn wir für das erkennen von bildern

eine genauigkeit von 90 prozent und mehr

anschlägen sollten beim überwachten

lernen ist es gesehen haben wichtig sich

auf die merkmale konzern zu

konzentrieren die uns helfen die

eingaben zwischen verschiedenen

beschriftungen zu unterscheiden

kategorien zu unterschlagen einige

dieser merkmale - unfall ob die augen xx

sind oder nicht lieferten ja viele

informationen über das interesse der

affen menschen zu beißen

hätten wir uns stattdessen auf die farbe

des fells konzentriert dass er gar nicht

geholfen

die berücksichtigten von mehrmarken

merkmalen liegt uns zwischen den arten

zu unterscheiden da wir für jedes

merkmal eine dimension mehr haben in der

sich die affen unterscheiden können

warum dann nicht an verfügbaren merkmale

nehmen und entsprechende regeln finden

naja stellen wir uns mal vor wird so

einen riesigen satz verriegelt erstellen

indem wir für jede kombination von affen

merkmalen aus unserer klinik staaten die

entsprechende antwort geben würde wird

man so was wie wenn die verfärbung ist

und beide augen geöffnet sind und die

zähne clips sind und die zunge nicht

derzeit wird preistafel und das für

jeden der zwölf affen in unserer

trainings dann wenn wir das tun verliebe

habe jede chance und ist unsere

trainingsdaten zu verallgemeinern und

eben auf neue unbekannte eingang mal zu

wenden wir haben nur in der lage affen

richtig zu qualifizieren die genau wie

die in den tanks fahren

im grunde genommen hätten wir die

trainingsdaten auswendig gelernt neben

anderen affen der sich nur geringfügig

geringfügig von den fans daten

unterscheidet hätten wir keinerlei

abbruch

wir können eben nicht mehr sagen wenn

der atx augen hat dann deutet das auf

die trainingsdaten bafin dass der apfel

beißt und dieses phänomen nennen wie

roloff fitting

wie wir bereits gesehen haben ist ein

anwendungsfall ist überwachten lernens

die klassifizierung von daten

klassifizieren bedeutet dass das

verfahren lernt eingaben in verschiedene

vordefinierte kategorien zu sortieren

das heißt ihnen eine beschriftung

zuzuweisen im falle der affen können wir

mit unserem modell den entscheidungsbaum

klar klassifizieren ob ein bisschen

unbekannter affe beißt oder nicht passt

aufgrund der recht hohen genauigkeit

sind wir optimistisch dass das auch die

richtige kategorie ist nun wollen wir

klassifizieren ob etwas an obst und

gemüse ist basiert auf den quoten ihnen

und kalorien der jeweiligen eingabe und

wieder haben wir genau beschriftete

zeitung sun

jede dieser eingaben wissen wir also

aufgrund ihrer protein und kalorien

werte

ob es sich um ein produkt oder ein also

obst oder eingesandt und da wir nur

zweimal haben können wir die daten so

wie hier dargestellt visualisieren nun

können wir wieder passiert davon schon

kleine staaten regeln finden um zwischen

obst und gemüse zu unterscheiden ein

ansatz könnte sein

eine gerade linie zu zeichnen die das

gemüse von den früchten fans und diese

für jede eingabe unser trainingsdaten

anzupassen wir könnten mit etwas ihrer

zufälligen geben wir beginnen und bei

der nächsten eingabe feststellen dass

wir uns nur linie ein wenig anpassen

wieso wir bekommen also wie der feedback

und aussichten oder überwachen den

lernprozess oder wir berücksichtigen

alle daten

jetzt haben wir die objekte in der nähe

unserer geraten dass alle gibt in der

nähe unserer geraden langen den maximal

abstand sonderregeln da nun wichtig

gerade die ausgezeichnet wird geschehen

wenn eine neue unbekannte eingabe mehr

proteine und weniger kalorien hat als

durch die gerade angezeigt wenn wir sie

als gemüse

das offizieren und anders an wenn wir

daten auf diese weise klassifizieren

verwenden wir anstelle von entscheidungs

bäume so genannte support vector

machines als überwachten lernergebnisse

offensichtlich leicht in der realität

meist eine einfache gerade linie nicht

aus um die klinik so kennen wir

benötigen anspruchsvoller mathematische

funktionen und zwischen verschiedenen

kategorien zu unterscheiden und wie

besser machen wenn wir normalerweise

kein 100 prozent genau das modell

erhalten

außerdem kann es sein dass wir mehr als

drei kategorien haben zum beispiel wenn

wir mehrere abstrus sorten und

klassifizieren wollen und wie wir es

getan haben werden wir normalerweise

mehr als zwei features oder merkmale

verwenden um 34 50 oder 100 dimensionen

an

wir können das hier nicht visualisieren

aber die idee oder das verfahren

klassifizierung lag exakt gleich zu dem

was wir schon bücher fehler in der

praxis verwenden brachte verwenden wir

überwachte lernen algorithmen auf diese

weise zum beispiel und zu klassifizieren

ob eine e mail spam ist oder nicht

oder wir identifizieren viren die kubik

19

anhand von bildern bekommen

computertomographischen bildern der

lunge eines menschen und natürlich

klassifizieren wir bei der bilderkennung

ob ein bild eine katze ein hund ein

vogel einen menschen und so weiter zeit

nächste woche wenn wir noch mal mehr

über bilderkennung in der einheit über

neuronale netze lernen darüber hinaus

wird das überwachte lernen für aufgaben

verwendet bei denen eingaben nicht einer

vordefinierten beschreibung haben

sondern den ein moralischer nicht eine

vordefinierte beschichtung zugeordnet

werden soll sondern ein numerischer wert

wir nennen diese methode unterschied zur

klassifikation herr christ

ein möglicher anwendungsfall ist

beispielsweise den preis für alle

immobilie anhand ihrer fläche in

quadratmetern vorherzusagen

unsere kandidaten bestehen aus einer

menge von häusern und ihre jeweiligen

fläche in quadratmetern als merkmal und

im kreis betrifft

wir würden nun versuchen eine linie zu

finden die am besten zu allen unseren

technik seiten passt was bedeutet dass

die der gesamtstand alle eingang zur

geraden die werden jetzt ein dank medien

und auf diese weise können wir einen

bestimmten preis für ein bisher

unbekanntes haus und hans einer

quadratmeterzahl vorher sein

auch hier werden wir in der praxis oft

schwierigkeiten haben die daten zu

maximieren

deshalb verwenden wir vermutlich komplex

oder mathematische funktionen um die

beziehungen in die klinik seiten zu

bescheiden aber egal ob in der halle und

eine andere mathematische funktionen

verwenden

unser beispiel ist offensichtlich kein

sehr realistischer datensatz

meistens haben wir eine menge von

merkmalen zu berücksichtigen wie den

standort eines hauses seien baujahr und

so weiter und damit haben wir auch hier

wieder viel mehr dimensionen erhalten

aber viel bessere vorhersagen der

vorhersage von hauspreisen kann revision

beispielsweise verwendet werden um

vorherzusagen wann ein benutzer seinen

abonnement für einen zügigen kündigen

wird oder auch um zu versuchen

entwicklungen an der börse vorherzusagen

heute haben wir etwas wird die zweite

art gelernte die maschinen lernen können

überwacht es beim achten lernen haben

wir eine menge verschütteten vernissagen

und jede dieser eingaben hat eine

bestimmte anzahl von merkmal ist

angelaufen aachener spiel oder konnte

ihn um kalorien und eine beschichtung

die beißen oder bei der verarbeitung

werden versuchter totschlag muss und

regeln zu finden die den merkmalen und

dem

durch diese ideen stellen dass nur data

bevor jetzt unseren modellen praxis

arbeiten testen wie sms mit testdaten

dürfen die höfe und unsere trainings

daten zum gehalten haben und wenn wir in

den meisten des todes sind können jetzt

dann auf neue unbekannte daten habe

außerdem bei jeder ergriffen und macht

das lernen ja keine support network

jeans oder die live migration

natürlich ist es auch viele weitere

diese klassifizierung von daten oder für

emissionen verwendet werden können sie

kann uns helfen hier auf wieder zu

klassifizieren wo herauszutreten auf

eine mail ist beim auto gehört also der

ausweise und mobil atlantischen den

erbsen oder entwicklungen an der börse

euronext video tatsächlich ein erhöhen

müsse überwacht das lernen ins becken

bild hier wird unser programm zwischen

meißen und auch die nicht beißen

unterscheiden werden viele eigentlich

auch schon geld nur bis an