Überwachtes Lernen | Die Welt der KI entdecken 05
Summary
TLDRDieses 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
🐵 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.
📊 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.
🔍 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.
🏠 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.
Mindmap
Keywords
💡Maschinelles Lernen
💡Überwachtes Lernen
💡Entscheidungsbaum
💡Merkmale
💡Beschriftete Daten
💡Modell
💡Testdaten
💡Genauigkeit
💡Klassifikation
💡Support Vector Machines
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
Ver Más Videos Relacionados
Hinter den Kulissen: Überwachtes Lernen | Die Welt der KI entdecken 06
SIMIT Simulation Framework: Tests of the PCS 7 engineering
Fragesatz und Lösungsschlüssel | Der Emotionscode Teil 11 | Naturheilpraxis Herzlicht
Unüberwachtes Lernen | Die Welt der KI entdecken 07
Explainable AI explained! | #5 Counterfactual explanations and adversarial attacks
Crashkurs für Anfänger | Canva Tutorial Deutsch
5.0 / 5 (0 votes)