ML-Werkzeuge und ihre Anwendung

Transkript

1 Kleine Einführung: und ihre Anwendung (0721)

2 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig Einsatz von Bibliotheken Einarbeitungszeit Meist nur einzelne Verfahren Inkompatibilitäten zwischen Bibliotheken Einfache Möglichkeit für Praxistest und Vergleich? Einsatz spezieller 2

3 Motivation Einsatz von maschinellem Lernen erfordert durchdachtes Vorgehen Programmieren grundlegender Verfahren aufwändig fehlerträchtig Einsatz von Bibliotheken Einarbeitungszeit Meist nur einzelne Verfahren ABER: Trotz ausgefeilter Werkzeuge planvolles Vorgehen notwendig! Inkompatibilitäten zwischen Bibliotheken Einfache Möglichkeit für Praxistest und Vergleich? Einsatz spezieller 3

4 Elemente eines ML-Problems Aufgabe Daten ML-Problem Merkmale Klassifikatoren 4

5 Elemente eines ML-Problems Aufgabe Daten ML-Problem Merkmale Klassifikatoren 5

6 Praktische Herangehensweise: Aufgabe I Aufgabe klarmachen: Was soll eigentlich erreicht werden? Art der Lernaufgabe Echtzeit-/Nachträgliche Klassifikation? Fahrassisstenz, Warnung in Gefahrensituationen Nachträgliche Videoanalyse Approximation einer Funktion (Regression)? Regelungsparameter für Roboter Vorhersage (Prädiktion) von Ereignissen Aktienkurse vorhersagen 6

7 Praktische Herangehensweise: Aufgabe II Randbedingungen für gültige Lösungen Erklärbarkeit der Ergebnisse notwendig? Qualitätsgarantien? Laufzeitanforderungen? Online/offline-Anforderungen? 7

8 Elemente eines ML-Problems Aufgabe Daten ML-Problem Merkmale Klassifikatoren 8

9 Praktische Herangehensweise: Daten Welche Daten sind verfügbar? Untersuchung der verfügbaren Daten Qualität der Daten (Rauschen etc.)? Varianz in Trainingsdaten? Qualitätsunterschiede zwischen einzelnen Merkmalen? Menge der verfügbaren Trainingsdaten? 9

10 Elemente eines ML-Problems Aufgabe Daten ML-Problem Merkmale Klassifikatoren 10

11 Praktische Herangehensweise: Merkmale Welche Merkmale sind verfügbar? Berechnung zusätzlicher Merkmale aus den vorhandenen? Evtl. Auswahl relevanter Merkmale (engl. feature (subset) selection) 11

12 Elemente eines ML-Problems Aufgabe Daten ML-Problem Merkmale Klassifikatoren 12

13 Praktische Herangehensweise: Klassifikator Vorauswahl möglicher Klassifikatoren Abhängig von den obigen Überlegungen zu Aufgabe, Daten und Merkmalen Testweises Trainieren von unterschiedlichen Klassifikatoren Gefühl für das Problem bekommen Auswirkungen unterschiedlicher Parameter testen Besten Klassifikator(-typ) für das Problem auswählen Muss nicht in finale Zielsystem so integrierbar sein Integration und Training des gewählten Klassifikators für das Zielsystem 13

14 Aufgabe Aufgabenart Randbedingungen Daten Eigenschaften Merkmale Schema des Vorgehens Berechnung Auswahl nach Relevanz Klassifikator Auswahl Prototypisches Training Finales Training 14

15 Werkzeuge zur Unterstützung Viele freie und kommerzielle Werkzeuge verfügbar zur Unterstützung bei Untersuchung von Daten Auswahl relevanter Merkmale Vergleich verschiedener Klassifikatoren für konkretes Problem Unterschiedliche Schwerpunkte der verschiedenen Tools Data Mining in großen Datenmengen Untersuchung ausgewählter Datentypen Einfache Verwendbarkeit und Erweiterbarkeit... 15

16 Weka Frei verfügbare Frameworks Java-basiert Sehr umfangreiche Bibliothek von Standardverfahren Batchvergleich von Klassifikatoren möglich Offen für Erweiterungen und externe Verwendung Orange Python-basiert Einfaches, visuelles Zusammenstöpseln von Verarbeitungsketten aus Modulen Offen für Erweiterungen und externe Verwendung 16

17 Demo Demonstration von Weka und Orange 17

18 Zusammenfassung Viele Punkte zu bedenken bei Bearbeitung von ML- Problemen Werkzeuge verfügbar zur Unterstützung Bekannte freie Werkzeuge: Orange, Weka 18

19 Fragen?