Artificial Intelligence (AI) und Machine Learning (ML)
|
|
- Max Boer
- vor 5 Jahren
- Abrufe
Transkript
1 Artificial Intelligence (AI) und Machine Learning (ML) b+m Engineering, Tom Stahl Kiel, Q1 2019
2 Agenda Einordnung Stand der Technik Live Demo Funktionsweisen, Merkmale Diskussion
3 Was ist AI? Historisch: Turing-Test (Alan Turing, 1950) Blindtest: Ist die AI im freien Dialog nicht von einem menschlichen Gesprächspartner unterscheidbar? Der AI-Effect AI ist das, was aktuell gerade am Rande - oder knapp jenseits - der Machbarkeit ist. In den 60er Jahren galten Schachcomputer als AI-Systeme. Die letzten 3-4 Jahre In der AI-Forschung gab es in den letzten Jahren erstaunliche Durchbrüche weitgehend unterhalb der Wahrnehmungsschwelle der Öffentlichkeit (Deep Learning, Reinforcement-Learning). Die Hardware-Entwicklung (Moore s Law) spielt dabei tatsächlich eine untergeordnete Rolle. Big-Data? AI wird oft/meist im Kontext von BigData gesehen. Doch gerade der Bereich der selbstlernenden Systeme, die ganz ohne externe Trainingsdaten auskommen, hat jüngst beeindruckende Meilensteine hervorgebracht. Hype? Im öffentlichen Diskurs ist AI zuweilen recht diffus In der Informatik/Mathematik ist es ein wohl definiertes Forschungsgebiet. Dass der Fortschritt auf diesem Gebiet ganz ohne langfristige, makroskopische Auswirkungen bleibt, ist unwahrscheinlich. 3
4 AI Definition über Forschungsfelder Spitzenforschung Forschung in den Kinderschuhen 4
5 AI - Ansätze z.b. klassische Expertensysteme - Anwendung explizit ausformulierter Regeln Symbolic AI Machine-Learning Supervised Learning Deep Neural Networks (Deep Learning) Lernende, stochastische Systeme Systeme lernen durch (i.d.r. von Hand annotierte) Beispiele Unsupervised Learning Reinforcement Learning Systeme (Agenten) lernen selbstständig durch Erkunden ihrer Umgebung AI Landscape Big Picture 5
6 AI-Breakthroughs: Image Recognition Convolutional Neural Networks (CNN) 6
7 AI-Breakthroughs: Language Processing - Recurrent Neural Networks (RNN/LSTM) Facebook: Alice & Bob Experiment Google Assistant: Haircut Appointment Call Derzeit bester Translation Service 7
8 Reinforcement Learning (RL) Ingedients Policy (Function) Value (Function) Reward (Function) Environment Model Policy: What to do next (learnable strategy) Value: Rating of a state based on reward prediction (learnable value estimation) Reward: Measure for objective/goal (given by design) Model: Representation of the environment (explicit MDP or implicit/learnable) 8
9 AI-Breakthroughs : Reinforcement Learning (RL) - Robotics Google Deepmind Runner Boston Dynamics Atlas 9
10 AI-Breakthroughs : Reinforcement Learning (RL) Full Information Games Branching-Factor Schach ~ 20 Branching-Factor Go ~ Mögliche Go Positionen ~ 10 Atome im sichtb. Universum ~ AlphaGo Zero General AI 10
11 AI-Breakthroughs : Reinforcement Learning (RL) Incomplete Information Games DotA (Defense of the Ancients) Open AI Five vs. 5 Humans (Pro Gamer) Challenges Long time horizons Partially-observed state High-dim continuous action space High-dim continous observation space Open AI Five won best-of-three match against 99.95% rated Dota Pros Open-AI Five plays 180 years worth of games against itself every day 11
12 Zusammenfassung: Was ist Machine Learning? Maschinelles Lernen ist ein Teilgebiet der Informatik / Mathematik ML implementiert AI. Der Begriff des Lernens wird dabei auf die sukzessive Minimierung einer (beliebig komplexen) Fehlerfunktion oder umgekehrt das Maximieren einer (beliebig komplexen) Belohnungsfunktion zurückgeführt. Supervised Learning Überwachtes Lernen, Lernen durch Beispieldaten in der Regel durch Menschen annotierte Roh-Daten oder Bilder. Die AI abstrahiert dabei selbstständig von den Beispieldaten und kann auf dieser Basis z.b. auch Prognosen erstellen. Beispiele: Kreditrisiko-Prognose, Fraud Detection bei Versicherungsschäden, Erkennung von Objekten auf Bildern. Unsupervised Learning - spez. Reinforcement Learning Ein AI-System (auch Agent genannt) lernt ohne Daten o. eincodiertes Domänenwissen allein durch Erkunden seiner (ggf. virtuellen) Umgebung und das Feedback dieser Umgebung. Beispiele: Roboter lernen (wie Kleinkinder) selbstständig Laufen. Spiele : AI-Systeme lernen durch Spielen gegen sich selbst. AI-Systeme lernen Geschäftsprozesse (via Simulation) zu optimieren, ohne starr vorgegebene Prozessmodelle. 12
13 Klassische Software-Entwicklung vs. Supervised Machine Learning Computer Computer Deep-Learning 13
14 Artificial Neural Nets (ANN) Live Live Demo Computer Vision: Image Recognition ResNet50 Architektur vortrainiert auf dem ImageNet Benchmark Dataset Aufgabe: Erkennung des primären Objektes auf einem Bild ANN in einem REST-Server deployed Browser-basiertes Demo-Frontend (serverless, singlepage, plain HTML5/CSS3 REST-Client) 14
15 ANN Grundlagen: Neurobiologisches Vorbild 15
16 ANN Grundlagen: Mathematische Modellierung eines Neurons Mathematische Grundelemente eines künstlichen Neurons Synapsen Dendriten Zellkörper(Soma) Axon-Aktivität (Bias) Linearer Teil (gewichtete Summen + Bias) Nicht-linearer Teil (Schwellwertfuntion) 16
17 ANN Grundlagen: Multilayer Perceptron (MLP) 1/2 Das Multilayer Perceptron (MLP) ist die einfachste mögliche ANN Architektur 17
18 ANN Grundlagen: Multilayer Perceptron (MLP) 2/2 Screenshot from tensorflow playground 18
19 Convolutional Neural Nets Beispiel: Face Classification Classification Output Woman: 85% Girl: 14,5% Boy: 0,5% Man: 0% Woman Man Girl Boy Input Layer (Neuron = Pixel) Output-Layer (Neuron = Klasse) Visueller Cortex) Klassifikator (hier: 4 Klassen) 19
20 Deep Dream Visualisierung gelernter Filter (hier: Merkmale von Hunden) eines Convolutional Neural Nets durch Rückpropagierung auf den Input 20
21 Supervised Learning Training and Validation: Samples Input Target (Soll-Output) Image Classification Sample Jaguar E-Type Serie-1 Roadster Semantic Text Analysis Sample (Topic + Sentiment Analysis) Beschwerde, Schadenmeldung; empört Data Based Prediction Sample Adresse: Schlossalle 1 Liquidität: 50 TEUR Mahnungen: 10 Mtl. Ausgaben: 3 TEUR Kreditausfall nach 3 Jahren Time Series Prediction Sample Passagierzahlen KW Passagierzahlen KW
22 Supervised Learning Training and Validation: SampleSets Samples Min ca. 8Tsd Preprocessing Avg ca. 80Tsd Large ca. 1Mio Very Large ca. 10Mio Sample Set TrainingSet Data Augmentation Training ValidationSet Validation 22
23 Machine Learning Take Aways (1/2) ML ist ein Grenzgebiet zwischen Mathematik und Informatik Mathematik-Verständnis ist essenziell, ML-Werkzeuge sind mächtig aber eben nur Werkzeuge! ML-Systeme sind stochastische Systeme (mit Wahrscheinlichkeiten behaftet) ML-Systeme sind (Stand heute) Black-Box Systeme Maschinelles Lernen bedeutet: Iterative Optimierung einer Funktion (Reward, Loss) ML-Systeme arbeiten fundamental anders als klassische Computerprogramme, lassen sich aber wie solche betreiben und in klassische Systeme einbauen ML-Systeme zu trainieren ist teuer (Zeit, Rechenleistung), sie anzuwenden nicht Die theoretische Leistungsfähigkeit von ML-Systemen ist nahezu unbegrenzt Universal Approximation Theorem für 3-Layer MLP, LSTM s sind turing-mächtig Notorische Probleme in der Praxis: Overfitting / Underfitting Der künstliche IQ hängt stark von der Verteilung der Trainingsdaten ab. 23
24 Machine Learning Take Aways (2/2) Externes BigData ist nicht immer zwingende Voraussetzung (-> Reinforcement Learning) Die gestiegene Rechenleistung ist lediglich notwendige Voraussetzung für den explosionsartigen Fortschritt (-> weltweite ML-Community, Milliarden-Investitionen der Tech- Giganten => Fortschritt auf Ebene der Architekturen und Algorithmen Fazit: Der In den letzten 3-4 Jahren gab es z.t. erstaunliche Durchbrüche, dennoch stehen wir erst am Fuß des AI-Berges. Bis zum Gipfel (General AI) könnte es länger dauern (als viele meinen). Narrow-AI Systeme sind praxisreif. 24
25 Links Boston Dynamics Atlas Boston Dynamics Door Opening Dog Google Deepmind RL Runner Google Assistant Haircut Appointment Call 25
26 Kontakt 26
Machinelles Lernen. «Eine kleine Einführung» BSI Business Systems Integration AG
Machinelles Lernen «Eine kleine Einführung» @ZimMatthias Matthias Zimmermann BSI Business Systems Integration AG «Welcher Unterschied besteht zum Deep Blue Schachcomputer vor 20 Jahren?» AlphaGo Hardware
MehrBeating Humans in complex Boardgames
Beating Humans in complex Boardgames Seminar Neueste Trends in Big Data Analytics Universität Hamburg Eike Nils Knopp 18.12.2017 Eike Nils Knopp 1 / 55 Inhalt Historie IBMs Deep Blue IBMs Watson DeepMinds
MehrSeminar: Maschinelles Lernen und Deep Learning
Seminar: Maschinelles Lernen und Deep Learning Sommersemester 2018 Prof. Dr. Xiaoyi Jiang, Sören Klemm, Aaron Scherzinger Institut für Informatik, Arbeitsgruppe Pattern Recognition and Image Analysis (PRIA)
MehrDer Sprung in die Zukunft! Einführung in neuronale Netzwerke
Der Sprung in die Zukunft! Einführung in neuronale Netzwerke Inhalt 1. Warum auf einmal doch? 2. Welche Einsatzgebiete gibt es? 3. Was sind neuronale Netze und wie funktionieren sie? 4. Wie lernen neuronale
MehrArtificial Intelligence. Was ist das? Was kann das?
Artificial Intelligence Was ist das? Was kann das? Olaf Erichsen Tech-Day Hamburg 13. Juni 2017 Sehen wir hier bereits Künstliche Intelligenz (AI)? Quelle: www.irobot.com 2017 Hierarchie der Buzzwords
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrIntelligente Algorithmen Einführung in die Technologie
Intelligente Algorithmen Einführung in die Technologie Dr. KIT Universität des Landes Baden-Württemberg und nationales Forschungszentrum in der Helmholtz-Gemeinschaft www.kit.edu Natürlich sprachliche
MehrReinforcement learning
Reinforcement learning Erfolgsgeschichten... Quelle: twitter.com/ai memes Q-Learning als Art von Reinforcement learning Paul Kahlmeyer February 5, 2019 1 Einführung 2 Q-Learning Begriffe Algorithmus 3
MehrCombining Manual Feedback with Subsequent MDP Reward Signals for Reinforcement Learning W. Bradley Knox und Peter Stone
Combining Manual Feedback with Subsequent MDP Reward Signals for Reinforcement Learning W. Bradley Knox und Peter Stone 14.12.2012 Informatik FB 20 Knowlegde Engineering Yasmin Krahofer 1 Inhalt Problemstellung
MehrDOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING
DOKUMENTENKLASSIFIKATION MIT MACHINE LEARNING Andreas Nadolski Softwareentwickler andreas.nadolski@enpit.de Twitter: @enpit Blogs: enpit.de/blog medium.com/enpit-developer-blog 05.10.2018, DOAG Big Data
MehrDeep Learning Prof. Dr. E. Rahm und Mitarbeiter
Deep Learning Prof. Dr. E. Rahm und Mitarbeiter Seminar, WS 2017/18 Big Data Analyse-Pipeline Dateninte -gration/ Anreicherung Datenextraktion / Cleaning Datenbeschaffung Datenanalyse Interpretation Volume
MehrReinforcement-Learning
Reinforcement-Learning Vortrag von: Fabien Lapok Betreuer: Prof. Dr. Meisel 1 Agenda Motivation Überblick und Probleme von RL Aktuelle Forschung Mein Vorgehen Konferenzen und Quellen 2 Reinforcement Learning
MehrDEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE
DEEP LEARNING MACHINE LEARNING WITH DEEP NEURAL NETWORKS 8. NOVEMBER 2016, SEBASTIAN LEMBCKE INHALT Einführung Künstliche neuronale Netze Die Natur als Vorbild Mathematisches Modell Optimierung Deep Learning
MehrAI JOURNEY Vom Hype zu echten industriellen Anwendungen und Mehrwerten für Kunden und Mitarbeiter.
AI JOURNEY Vom Hype zu echten industriellen Anwendungen und Mehrwerten für Kunden und Mitarbeiter. AIM KOMPETENZEN & PORTFLIO Artificial Intelligence / Machine Learning Agile & DevOps Beratung Atlassian
MehrImage: (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen
Image: https://pixabay.com/de/netz-netzwerk-programmierung-3706562/ (CC-0) Künstliche Intelligenz & Bildung Nicht nur für ExpertInnen Künstliche Intelligenz Was ist das überhaupt? Was kann sie (nicht)?
MehrAlgorithmenalltag. Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering
Algorithmenalltag Prof. Dr.-Ing. Johannes Konert Fachgebiet Web Engineering Start reden (Begrüßung) vortragen Aufmerk-samkeit erlangt? kurze Pause machen Ende Algorithmen Was machen sie mit uns? Was sind
MehrKünstliche Intelligenz
1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg Übersicht Begrifflichkeiten
MehrNeural Networks. mit. Tools für Computerlinguist/innen
Neural Networks mit Tools für Computerlinguist/innen WS 17 / 18 Anwendungsbeispiele Anwendungsbeispiele Anwendungsbeispiele Anwendungsbeispiele WaveNet ist ein Voice Synthesizer und ein Projekt von Google
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrKünstliche Neuronale Netze
Fakultät Informatik, Institut für Technische Informatik, Professur für VLSI-Entwurfssysteme, Diagnostik und Architektur Künstliche Neuronale Netze Hauptseminar Martin Knöfel Dresden, 16.11.2017 Gliederung
MehrKomplexität beherrschen
Komplexität beherrschen nobilia-werke J. Stickling GmbH & Co. KG Stuttgart, den 26. Januar 2018 Dr. C. C. Ullrich INHALT Wer bin ich? Wer sind wir? Wie beherrschen wir die Komplexität? 2 Unternehmenspräsentation
MehrVon der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz
Von der Entscheidungsunterstützung zur Entscheidungsautomatisierung mit Big Data und Künstlicher Intelligenz Dr. Stefan Wess CEO Empolis Information Management, Kaiserslautern Seite 1 Historie der Empolis
MehrPersonenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.
Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2 Motivation Baustein einer Microservice Architektur Personenerkennung
MehrDer Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche
Der Weg zum intelligenten Assistenten Machine Learning, Künstliche Intelligenz und Kognitive Suche Photo by Bence Boros on Unsplash AGENDA Über uns Begrifflichkeiten: Machine Learning, KI & Cognitive Search
MehrNeuronale Netze. Automatische Hinderniserkennung Paul Fritsche
1 Neuronale Netze Automatische Hinderniserkennung 2 Hintergrund Grundlagen Tensorflow Keras Fazit 3 TTBN 4 TTBN 5 TTBN 6 TTBN 7 Biological Neural Network By BruceBlaus - Own work, CC BY 3.0 8 Artificial
MehrFaltungsnetzwerke. (Convolutional Neural Networks) Maximilian Schmidt. Faltungsnetzwerke
(Convolutional Neural Networks) Maximilian Schmidt 1 Inhalt Deconvolution ConvNet Architektur History Convolution layer Layers ReLu layer Pooling layer Beispiele Feature Engineering 2 Das Ziel Klassifizierung
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrKünstliche Intelligenz. Potential und Anwendung
Künstliche Intelligenz Potential und Anwendung Menschliche Intelligenz Intelligentere Maschinen dank künstlicher Intelligenz Bilder Bilder Texte Sprache Texte Sprache Verstehen von strukturierten und unstrukturierten
MehrEFS Deep Learning für das Fahren der Zukunft. Anton Junker
EFS Deep Learning für das Fahren der Zukunft Anton Junker Wer ist die EFS? Wer sind wir? Unternehmen Gründung 2009 Standort Ingolstadt/Wolfsburg Beteiligung GIGATRONIK Gruppe (51%) Audi Electronics Venture
MehrReinforcement Learning
Reinforcement Learning 1. Allgemein Reinforcement Learning 2. Neuronales Netz als Bewertungsfunktion 3. Neuronales Netz als Reinforcement Learning Nils-Olaf Bösch 1 Allgemein Reinforcement Learning Unterschied
MehrRekurrente Neuronale Netze
Rekurrente Neuronale Netze Gregor Mitscha-Baude May 9, 2016 Motivation Standard neuronales Netz: Fixe Dimensionen von Input und Output! Motivation In viele Anwendungen variable Input/Output-Länge. Spracherkennung
MehrDeep Blue. Hendrik Baier
Deep Blue Hendrik Baier Themen Matches Deep Blue Kasparov 1996/97 Faktoren von Deep Blues Erfolg Systemarchitektur Search Extensions Evaluationsfunktion Extended Book Vergleichstraining der Evaluationsfunktion
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Neuronale Netze WS 2014/2015 Vera Demberg Neuronale Netze Was ist das? Einer der größten Fortschritte in der Sprachverarbeitung und Bildverarbeitung der letzten Jahre:
MehrMachine Learning. Dr. Bartholomäus Wissmath 3. Swiss Innovation Day
Machine Learning Dr. Bartholomäus Wissmath 3. Swiss Innovation Day Artificial Intelligence (AI) Teilgebiet der Informatik, welches sich mit der Automatisierung von intelligenten Verhalten und dem Maschinenlernen
MehrPredictive Analytics. Warum datenbasierte Vorhersagen kein Hexenwerk sind. ASQF Automation Day Dr. Stefano Signoriello
Predictive Analytics Warum datenbasierte Vorhersagen kein Hexenwerk sind Dr. Stefano Signoriello Seite 1 Inhalte des Vortrags Analytics Von Daten zu Wissen Von Nachsicht über Einsicht zu Voraussicht Descriptive,
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?
MehrMaschinelles Lernen. mit und. Effizienz steigern in Massenprozessen. Jan Schinnerling. eworld 2019 Maschinelles Lernen
Maschinelles Lernen mit und Effizienz steigern in Massenprozessen Jan Schinnerling eworld 2019 Maschinelles Lernen Was ist maschinelles Lernen? 2 Grundidee: einem System durch Beispieldaten eine Fähigkeit
MehrLearning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation. Yupeng Guo
Learning Phrase Representations using RNN Encoder Decoder for Statistical Machine Translation Yupeng Guo 1 Agenda Introduction RNN Encoder-Decoder - Recurrent Neural Networks - RNN Encoder Decoder - Hidden
MehrMachine Learning Das neue 42?
Machine Learning Das neue 42? Fabian Buchert Solution Architect SAS DACH Analytics actual trend topics Citizen Data Scientist Machine Learning Text Analytics Artificial Intelligence Image Recognition Open
MehrWas denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, Thilo Stadelmann
Was denken denkende Maschinen? WI-Award, Crowne Plaza Zürich, 20.10.2016 Thilo Stadelmann Was? Wie? Wohin? 1 Was ist passiert? (Eine kurze Geschichte der letzten Monate) 2 3 4 5 6 7 Generierte Sprache
MehrWas ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science
Was ist, kann und darf Deep Learning? Dr. Beat Tödtli Laboratory for Web Science 15.12.2017 Suchinteresse 15.12.2017 Was ist, kann und darf Deep Learning? 2 Google Trends für Deep Learning ILSVRC 2012:
MehrDeep Learning für Automatische Dokumentanalyse
Deep Learning für Automatische Dokumentanalyse apl. Prof. Marcus Liwicki DIVA Group, University of Fribourg MindGarage, University of Kaiserslautern marcus.liwicki@unifr.ch www.mindgarage.de Können Sie
MehrEinführung in NLP mit Deep Learning
Einführung in NLP mit Deep Learning Hans-Peter Zorn Minds mastering Machines, Köln, 26.4.2018 NLP ist auf einmal überall Zusammenfassung aggregated reviews Dokumentklassifikation Übersetzung Dialogsysteme
MehrDigitalisierung im Service Management - Was bringen AI, Chatbots und Co.?
Digitalisierung im Service Management - Was bringen AI, Chatbots und Co.? Agenda AI, Chatbot, KI, machine learning Stopp.wie bitte? Künstliche Intelligenz Ein Blick aus der Vergangenheit Status quo KI
MehrKonzepte der AI Neuronale Netze
Konzepte der AI Neuronale Netze Franz Wotawa Institut für Informationssysteme, Database and Artificial Intelligence Group, Technische Universität Wien Email: wotawa@dbai.tuwien.ac.at Was sind Neuronale
MehrWeitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2. Tom Schelthoff
Weitere Untersuchungen hinsichtlich der Anwendung von KNN für Solvency 2 Tom Schelthoff 30.11.2018 Inhaltsverzeichnis Deep Learning Seed-Stabilität Regularisierung Early Stopping Dropout Batch Normalization
MehrModulliste. für den Masterstudiengang. Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik
Modulliste für den Masterstudiengang Data & Knowledge Engineering (alt) an der Otto von Guericke Universität Magdeburg Fakultät für Informatik vom Sommersemester 2019 Der Masterstudiengang Data & Knowledge
MehrÜbersicht. Definition Daten Problemklassen Fehlerfunktionen
Übersicht 1 Maschinelle Lernverfahren Definition Daten Problemklassen Fehlerfunktionen 2 Entwickeln von maschinellen Lernverfahren Aufteilung der Daten Underfitting und Overfitting Erkennen Regularisierung
MehrDreidimensionale Objektklassifizierung mithilfe der Convolutional Neuronal Networks. Master Grundseminar WiSe 2014/2015 Victoria Bibaeva
Dreidimensionale Objektklassifizierung mithilfe der Convolutional Neuronal Networks Master Grundseminar WiSe 2014/2015 Victoria Bibaeva Inhalte Einführung Convolutional Neuronal Networks (Faltungsnetzwerke)
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn Adrian Neumann 16. Januar 2014 Übersicht Biologische Inspiration Stand der Kunst in Objekterkennung auf Bildern Künstliche Neuronale
MehrTensorFlow Open-Source Bibliothek für maschinelles Lernen. Matthias Täschner Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig
TensorFlow Open-Source Bibliothek für maschinelles Lernen Seminar Deep Learning WS1718 Abteilung Datenbanken Universität Leipzig Motivation Renaissance bei ML und KNN Forschung bei DNN fortgeschrittene
MehrGeneral Video Game AI Competition 2016
General Video Game AI Competition 2016 Teilnahme an einem Wettbewerb der künstlichen Intelligenz für Computerspiele Miriam Moneke, Nils Schröder, Tobias Joppen Christan Wirth, Prof. J. Fürnkranz 13.04.2016
MehrReinforcement Learning
Universität Potsdam Institut für Informatik Lehrstuhl Maschinelles Lernen Reinforcement Learning Uwe Dick Inhalt Problemstellungen Beispiele Markov Decision Processes Planen vollständige MDPs Lernen unbekannte
MehrArtificial Intelligence
Artificial Intelligence AI Hype meets Business Reality Dr. Stefan Wess CEO Empolis Information Management GmbH Unternehmen in Kaiserslautern UND TEIL UNSERES KULTURELLEN ERBES. KÜNSTLICHE INTELLIGENZ
MehrInstitut für Künstliche Intelligenz
Institut für Künstliche Intelligenz Prof. Sebstaian Rudolph --- Computational Logic Prof. Steffen Hölldobler --- Wissensverarbeitung Prof. Ivo F. Sbalzarini --- Wissenschaftliches Rechnen für Systembiologie
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 01 Julia Kreutzer 25. Oktober 2016 Institut für Computerlinguistik, Heidelberg 1 Übersicht 1. Deep Learning 2. Neuronale Netze 3. Vom Perceptron
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrMaster-Studiengang & Bewerbung/Zulassung. Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich
Master-Studiengang & Bewerbung/Zulassung Judith Zimmermann Studienkoordinatorin, Departement Informatik, ETH Zürich Master's in Data Science 120 Core Courses 62 Data Analysis 16 Information and Learning
Mehr«Cyborgs, Innovation und Digitalisierung» Pascal Kaufmann, Founder & CEO Starmind
«Cyborgs, Innovation und Digitalisierung» Pascal Kaufmann, Founder & CEO Starmind Northwestern University und ETH Zürich Chicago Medical School, 2001 Visueller Input Motorischer Output Die Vernetzung von
MehrTechnologien und Chancen Künstlicher Intelligenz. Philipp Kranen, Microsoft Research
Technologien und Chancen Künstlicher Intelligenz Philipp Kranen, Microsoft Research Agenda Was ist künstliche Intelligenz (KI) KI Technologien Das menschliche Gehirn Deep neural networks (DNN) Bilderkennung
MehrBring your own Schufa!
Bring your own Schufa! Jan Schweda Senior Softwareengineer Web & Cloud jan.schweda@conplement.de @jschweda Ziele des Vortrags Die Möglichkeiten von maschinellem Lernen aufzeigen. Azure Machine Learning
MehrNatural language processing
Natural language processing Guangyu Ge Betreuer: Tobias 29.01.2018 GLIEDERUNG 1. Einführung 2. Anwendungsbereiche 3. Verfahren bei NLP 4. Zusammenfassung ZIELE VON KÜNSTLICHER INTELLIGENZ Quelle: https://cdn-images-1.medium.com/max/800/0*y707xutx3zmvjkxx.png
MehrHamburg, August Vernetzt und Digital - Von Chats, Robotern und tech Trends -
Hamburg, August 2018 Vernetzt und Digital - Von Chats, Robotern und tech Trends - Eine Frage vorab: Was ist das eigentlich - die Digitalisierung? Aber Speicherkapazität und Rechenleistung wachsen exponentiell.
MehrLearning Human Body Movement
Learning Human Body Movement 22. Januar 2018 Seminar Neueste Trends in Big Data Analytics Betreuer: Christian Hovy Gliederung 1. Motivation 2. Rückblick auf Machine Learning 3. Terminologie 4. Überblick
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning (II) Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 25.07.2017 1 von 14 Überblick Faltungsnetze Dropout Autoencoder Generative Adversarial
Mehrkurze Wiederholung der letzten Stunde: Neuronale Netze Dipl.-Inform. Martin Lösch (0721) Dipl.-Inform.
kurze Wiederholung der letzten Stunde: Neuronale Netze martin.loesch@kit.edu (0721) 608 45944 Labor Wissensrepräsentation Aufgaben der letzten Stunde Übersicht Neuronale Netze Motivation Perzeptron Multilayer
MehrBig Data Künstliche Intelligenz Und das Ich
Big Data Künstliche Intelligenz Und das Ich Überblick Big data 2 Beispiele David Kriesel: Spiegel Mining Cambridge Analytics: Ocean Diagramm Intelligenz Wie funktioniert das? Neuronale Netze Zukunktsperspektiven/Kaffeesatzleserei
MehrKMU Neue Möglichkeiten der mathematischen Datenanalyse
DataScience @ KMU Neue Möglichkeiten der mathematischen Datenanalyse Prof Dr. Klaus Frick Institut für Computational Engineering ICE Das Institut ICE Wer sind wir? 6 Dozenten: Promovierte Mathematiker
Mehrin der Versorgungstechnik? Prof. Dr. Michael Krödel
Künstliche Intelligenz (KI) in der Versorgungstechnik? g Was ist KI? Künstliche Intelligenz (KI; engl. artificial i intelligence, AI) ist ein Teilgebiet der Informatik, das sich mit der Automatisierung
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014, überarbeitet am 20. Januar 2017 Übersicht Stand der Kunst: Bilderverstehen, Go spielen Was ist ein Bild in Rohform?
MehrKlassifikation von Multidimensionalen Zeitreihen mittels Deep Learning
Master Informatik - Hauptseminar Department Informatik Klassifikation von Multidimensionalen Zeitreihen mittels Deep Learning Manuel Meyer Master Hauptseminar SS 2018 Betreuender Professor: Prof. Dr.-Ing.
MehrScalable Deep Learning. Big Data, NLP, Machine Perception
Scalable Deep Learning Big Data, NLP, Machine Perception 2 Facebook: Accurate, Large Minibatch SGD: Training ImageNet in 1 Hour (2017) Yang You, Zhao Zhang, Cho-Jui Hsieh, James Demmel, Kurt Keutzer: ImageNet
MehrKlassifikation von Multidimensionale Zeitreihen mit Hilfe von Deep Learning
Master Informatik - Grundseminar Klassifikation von Multidimensionale Zeitreihen mit Hilfe von Deep Learning Manuel Meyer Master Grundseminar WS 2014 / 2015 Betreuender Professor: Prof. Dr.-Ing. Andreas
MehrKünstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX
Künstliche Intelligenz: Gefahr oder Chance? Eric Berg Lead Architekt Azure und Microsoft MVP, COMPAREX Künstliche Intelligenz Was ist Künstliche Intelligenz? KI und der Mensch: Miteinander oder Gegeneinander?
MehrFrischer Wind für ein bekanntes Thema Klassifikation 4.0
Frischer Wind für ein bekanntes Thema Klassifikation 4.0 AK Fernerkundung Heidelberg, 4.-5.10.2018 Ruth Leska, GEOSYSTEMS GmbH GEOSYSTEMS ist Ihr Partner für Geo-IT Lösungen und Hexagon Geospatial Platinum
MehrDepartement für Mathematik und Informatik Thomas Vetter
Lebenslauf 979-985 Studium Physik und Mathematik in Ulm 989 Promotion in Biophysik 99-993 PostDoc am M.I.T. USA 993-999 Max-Planck-Institut für biol. Kybernetik Tübingen 999-00 Professor für Computer Graphik
MehrGeneral Video Game AI Competition 2017
General Video Game AI Competition 2017 Teilnahme an einem Wettbewerb der künstlichen Intelligenz für Computerspiele Tobias Joppen, Christan Wirth, Prof. J. Fürnkranz 21.04.2017 Fachbereich Informatik Knowledge
MehrAI in Computer Games. Übersicht. Motivation. Vorteile der Spielumgebung. Techniken. Anforderungen
Übersicht AI in Computer Games Motivation Vorteile der Spielumgebung Techniken Anwendungen Zusammenfassung Motivation Vorteile der Spielumgebung Modellierung glaubwürdiger Agenten Implementierung menschlicher
MehrArtificial Intelligence. Deep Learning Neuronale Netze
Artificial Intelligence Deep Learning Neuronale Netze REVOLUTION Lernende Maschinen Mit lernenden Maschinen/Deep Learning erleben wir aktuell eine Revolution in der Informationsverarbeitung. Neue Methoden
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 02 Julia Kreutzer 8. November 2016 Institut für Computerlinguistik, Heidelberg 1 Overview 1. Recap 2. Backpropagation 3. Ausblick 2 Recap
MehrCloud-based Real Time ADL Recognition Using Wearable Devices. Robert Baldauf
Cloud-based Real Time ADL Recognition Using Wearable Devices Robert Baldauf Grundlagen ADL Recognition Offline ADL Recognition Cloud-based ADL Recognition Ergebnisse Diskussion & Ausblick Robert Baldauf
MehrVisuelle Bildsuche und Bildnavigation. Prof. Dr. Kai Uwe Barthel
Visuelle Bildsuche und Bildnavigation Prof. Dr. Kai Uwe Barthel Übersicht Probleme der Bildsuche Textbasierte Bildsuche Visuelle (Low-Level-)Bildsuche Fusion der Suchprinzipien Automatisches Bildverstehen
MehrMachine learning in cognitive systems
Machine learning in cognitive systems 1 Outline 1. Introduction 2. The system 3. The problem 4. Tackling the problem, first approach 5. Tackling the problem, second approach 6. Summary 2 Introduction machine
MehrBig Data. 2.1 Was wirklich neu ist
Big Data 2 Zusammenfassung In diesem Kapitel wird das Phänomen Big Data als zentraler Layer für das AI Business Framework vorgestellt und erklärt (Abb. 2.1). Es widmet sich den Zusammenhängen von Big Data,
MehrEntwicklung einer KI für Skat. Hauptseminar Erwin Lang
Entwicklung einer KI für Skat Hauptseminar Erwin Lang Inhalt Skat Forschung Eigene Arbeit Risikoanalyse Skat Entwickelte sich Anfang des 19. Jahrhunderts Kartenspiel mit Blatt aus 32 Karten 3 Spieler Trick-taking
MehrProjekt-INF Folie 1
Folie 1 Projekt-INF Entwicklung eines Testbed für den empirischen Vergleich verschiedener Methoden des maschinellen Lernens im Bezug auf die Erlernung von Produktentwicklungswissen Folie 2 Inhalt Ziel
MehrKünstliche Neuronale Netze
Künstliche Neuronale Netze als Möglichkeit, einer Maschine das Lesen beizubringen Anja Bachmann 18.12.2008 Gliederung 1. Motivation 2. Grundlagen 2.1 Biologischer Hintergrund 2.2 Künstliche neuronale Netze
MehrLOVOO auf Wolke 7. Stefan Weigert (Head of Data) BI Trendforum, Dresden,
LOVOO auf Wolke 7 Stefan Weigert (Head of Data) BI Trendforum, Dresden, 01.03.2018 Über LOVOO 110+ Mitarbeiter 2 Büros (B, DD) > 50M Nutzer Weltweit ~1M req/min Android, IOS, Web Über LOVOO 110+ Mitarbeiter
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Deep Learning Nico Piatkowski und Uwe Ligges Informatik Künstliche Intelligenz 20.07.2017 1 von 11 Überblick Künstliche Neuronale Netze Motivation Formales Modell Aktivierungsfunktionen
MehrTheoretische Informatik 1
Theoretische Informatik 1 Teil 12 Bernhard Nessler Institut für Grundlagen der Informationsverabeitung TU Graz SS 2007 Übersicht 1 Maschinelles Lernen Definition Lernen 2 agnostic -learning Definition
MehrKünstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen
Künstliche Intelligenz in Arbeitswelt und Gesellschaft: Nachteile verhindern, Chancen nutzen Hendrik Heuer hheuer@uni-bremen.de Bildquelle: Wikipedia - Jan Matejkos Stańczyk Digitalisierungskongress 2018
MehrAMA. Applied Machine Learning Academy. Prof. Wolfgang Nejdl
Applied Machine Learning Academy AMA Applied Machine Learning Academy Prof. Wolfgang Nejdl Projektziele Aufbau einer Applied Machine Learning Academy (AMA) auf der Grundlage eines inhaltlich nachhaltigen,
MehrModulliste. für den Bachelorstudiengang. Wirtschaftsinformatik. an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik
Modulliste für den Bachelorstudiengang Wirtschaftsinformatik an der Otto-von-Guericke-Universität Magdeburg Fakultät für Informatik vom Sommersemester 2017 Der Bachelorstudiengang Wirtschaftsinformatik
MehrKann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders
Kann SAS Ihre Handschrift lesen? Machine Learning am Beispiel von Stacked Denoising Autoencoders Gerhard Svolba SAS Austria Mariahilfer Straße 116 A-1070 Wien Sastools.by.gerhard@gmx.net Zusammenfassung
MehrTheoretische Informatik 1
Theoretische Informatik 1 Boltzmann Maschine David Kappel Institut für Grundlagen der Informationsverarbeitung TU Graz SS 2014 Übersicht Boltzmann Maschine Neuronale Netzwerke Die Boltzmann Maschine Gibbs
MehrEinführung in die AI
1 Einführung in die AI Prof. Georg Gottlob Institut für Informationssysteme Technische Universität Wien Folien zur Vorlesung Konzepte der Artificial Intelligence 3 Zum Begriff Artificial Intelligence AI:
MehrKünstliche Intelligenz
Johner Institut Künstliche Intelligenz Der Spaß ist vorbei MedConf 2018 Lineare Algebra Analysis, Differenzial- und Integralrechnung Wahrscheinlichkeitstheorie & Statistik Algorithmen & Komplexitätstheorie
MehrEinsatz von Reinforcement Learning in der Modellfahrzeugnavigation
Einsatz von Reinforcement Learning in der Modellfahrzeugnavigation von Manuel Trittel Informatik HAW Hamburg Vortrag im Rahmen der Veranstaltung AW1 im Masterstudiengang, 02.12.2008 der Anwendung Themeneinordnung
Mehr