Künstliche Intelligenz
|
|
- Dorothea Küchler
- vor 6 Jahren
- Abrufe
Transkript
1 1. Juni, 2017 Künstliche Intelligenz Stand der Forschung, Aktuelle Probleme & Herausforderungen Prof. Dr. Roland Kwitt Fachbereich Computerwissenschaften Universität Salzburg
2 Übersicht Begrifflichkeiten & Einführung Auswahl an aktuellen Problemen & Stand der Forschung Praktische Umsetzung im Unternehmen Herausforderungen
3 Begrifflichkeiten (1) Summe der kognitiven Fähigkeiten des Menschen? Künstliche Intelligenz
4 Begrifflichkeiten (1) Summe der kognitiven Fähigkeiten des Menschen? Künstliche Intelligenz (2) Generierung von Expertise Maschinelles Lernen durch Erfahrung.
5 Begrifflichkeiten (1) Summe der kognitiven Fähigkeiten des Menschen? Künstliche Intelligenz (2) Generierung von Expertise Maschinelles Lernen durch Erfahrung. Deep Learning (3) (Mächtige) Umsetzung von Punkt (2)
6 Begrifflichkeiten Zuwachs an Forschungsarbeiten zu KI-verwandten Themen über die letzen Jahre Erwartete Anzahl an Einreichungen 2017 > 3000! Anzahl an Einreichungen Neural Information Processing Systems (NIPS)
7 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Klassifikation
8 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Klassifikation Katze
9 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Klassifikation & Lokalisation
10 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Klassifikation & Lokalisation Katze + Koordinaten
11 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Objekterkennung
12 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Objekterkennung Katze Pferd
13 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Segmentierung
14 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Segmentierung
15 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Fragen & Antworten Frage: Wie viele Tiere kommen im Bild vor? Antwort: 2 Frage: Welche / wie viele Tiere kommen vor? Antwort: Eine Katze, ein Pferd
16 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Bildregistrierung
17 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Bildregistrierung Transformation
18 Maschinelles Sehen / Lernen Mit welchen Arten von Problem haben wir es zu tun? Bildregistrierung Transformation
19 Deep Learning Grundideen Traditionell Merkmal Extraktion Klassifizierung Auto vom Entwickler vorgegeben, sozusagen designed by hand (z.b., Kanten, Farbinformationen, etc.) z.b., Kategorie des nähesten Nachbarn
20 Deep Learning Grundideen Traditionell Merkmal Extraktion Klassifizierung Auto vom Entwickler vorgegeben, sozusagen designed by hand (z.b., Kanten, Farbinformationen, etc.) z.b., Kategorie des nähesten Nachbarn Deep Learning (Deep Neural Networks) Low-level Merkmale Mid-level Merkmale High-level Merkmale Klassifizierung Auto Merkmale auf verschiedenen Ebene werden erlernt auf Basis von Trainingsdaten
21 Deep Learning Grundidee Ein künstliches Neuron Eingangssignal... Summe Eingangssignal Neuronales Netz: im Wesentlichen eine Zusammenschaltung von Bauelementen dieser Art!
22 Deep Learning Grundidee Deep Learning (Deep Neural Networks) Low-level Merkmale Mid-level Merkmale High-level Merkmale Klassifizierung Auto Merkmale auf verschiedenen Ebene werden erlernt auf Basis von Trainingsdaten
23 Deep Learning Grundidee Deep Learning (Deep Neural Networks) Low-level Merkmale Mid-level Merkmale High-level Merkmale Klassifizierung Auto Merkmale auf verschiedenen Ebene werden erlernt auf Basis von Trainingsdaten
24 Deep Learning Grundidee Deep Learning (Deep Neural Networks) Deep Learning Learning Hierarchical Representations Deep Learning == Learning Hierarchical Representations Y LeCun Y LeCun Low-level Mid-level High-level It's deep if has it has more than one stage non-linear feature transformation It's deep if it more than one stage of of non-linear feature transformation Merkmale Merkmale Merkmale Klassifizierung Low-Level Mid-Level Mid-Level High-Level High-Level Trainable Trainable Low-Level Feature Feature Feature Classifier Feature Feature Feature Classifier Merkmale auf verschiedenen Ebene werden erlernt auf Basis von Trainingsdaten Feature visualization convolutional trained ImageNet from [Zeiler & Fergus 2013] Feature visualization of of convolutional netnet trained on on ImageNet from [Zeiler & Fergus 2013] Auto
25 Deep Learning Grundidee Deep Learning (Deep Neural Networks) Deep Learning Learning Hierarchical Representations Deep Learning = Learning Hierarchical Representations Deep Learning == Learning Hierarchical Representations Y LeCun Y LeCun Y LeCun Low-level Mid-level High-level It's deep if has itif has more than one stage non-linear feature transformation It's deep itmore has more than one stage of non-linear feature transformation It's deep if it than one stage of of non-linear feature transformation Merkmale Merkmale Merkmale Low-Level Mid-Level High-Level Trainable Low-LevelMid-Level Mid-LevelHigh-Level High-Level Trainable Trainable Low-Level Feature Feature Feature Classifier Feature Feature Feature Feature Feature Classifier Classifier Feature Klassifizierung Merkmale auf verschiedenen Ebene werden erlernt auf Basis von Trainingsdaten Feature visualization convolutional trained ImageNet from [Zeiler & Fergus 2013] Feature visualization of convolutional net trained on ImageNet from [Zeiler & Fergus 2013] Feature visualization of of convolutional netnet trained on on ImageNet from [Zeiler & Fergus 2013] Auto
26 Deep Learning Grundidee Deep Learning (Deep Neural Networks) Low-level Merkmale Mid-level Merkmale High-level Merkmale Klassifizierung Auto Merkmale auf verschiedenen Ebene werden erlernt auf Basis von Trainingsdaten Erlernte (visuelle) Konzepte auf verschiedenen Ebenen
27 Deep Learning Grundidee Was bedeutet Lernen in diesem Zusammenhang? Trainingsdaten Neuronales Netz
28 Deep Learning Grundidee Was bedeutet Lernen in diesem Zusammenhang? Trainingsdaten Neuronales Netz Flugzeug (Ziel: Minimierung der Fehler über alle Kategorien) Kategorie: Flugzeuge Lernen = Einstellen günstiger Parameter
29 Aktuelle Probleme & Stand der Forschung 1. Klassifizierung von Fotos/Bildern vor 2012: ca % Fehler 2011/2012: ca. 37% Fehler 2011) Aktuell*: ca. 21% Fehler (Netz mit ~25 Millionen Parameter) ImageNet (2010) Challenge ~1 Million Bilder in 1000 Kategorien *Xie et al., Aggregated Residual Transformations for Deep Neural Networks
30 indicates that registration results were di eomorphic). initial momentum networks highlighted in bold. best indicates that all all registration results were di eomorphic). OurOur initial momentum networks areare highlighted in bold. TheThe best results highlighted in bold. results areare alsoalso highlighted in bold. Aktuelle Probleme & Stand der Forschung (a) Moving image (a) Moving image (b) Target image (b) Target image (c) LDDMM (c) LDDMM (d) Predict (probabilistic) (d) Predict (probabilistic) 2. Registrierung von medizinischen Bildern (z.b., MRT) Ziel Quelle Yang et al., Quicksilver: Fast Predictive Image Registration (e) Uncertainty (e) Uncertainty
31 indicates that all registration results were di eomorphic). Our initial momentum networks are highlighted in bold. The indicates that all registration results were di eomorphic). initial momentum networks highlighted in bold. bestbest indicates that all registration results were di eomorphic). OurOur initial momentum networks areare highlighted in bold. TheThe best results are also highlighted in bold. results also highlighted in bold. results areare also highlighted in bold. Aktuelle Probleme & Stand der Forschung (a) Moving image (a) Moving image (a) Moving image (b)image Target image (b) Target image (b) Target (c) LDDMM (c) LDDMM (c) LDDMM (d) Predict (probabilistic) (e) Uncertainty (e) Uncertainty (d) Predict (probabilistic) (e) Uncertainty (d) Predict (probabilistic) 2. Registrierung von medizinischen Bildern (z.b., MRT) Ziel Quelle Yang et al., Quicksilver: Fast Predictive Image Registration Traditionell (Rechenzeit ca. 10 [min])
32 indicates indicates that that all all registration registration results results were were di eomorphic). di eomorphic). Our Our initial initial momentum momentum networks are are highlighted highlighted bold. inthe bold. The The bestbest indicates that all registration results were di eomorphic). Our initial momentum networks are highlighted in in bold. The best indicates that all registration results were di eomorphic). initial momentum networks are highlighted in bold. best indicates that all registration results were di eomorphic). OurOur initial momentum networks arenetworks highlighted in bold. The best results results are are also also highlighted highlighted in bold. in bold. results are also highlighted in bold. results are also highlighted in bold. results are also highlighted in bold. Aktuelle Probleme & Stand der Forschung (a) Moving (a) Moving image image (b) Target (b) image Target (b) image Target image image (c) LDDMM (c) LDDMM (c) LDDMM (a) Moving image (b)image Target (c) LDDMM (a) Moving image (b) Target (c) LDDMM (a) Moving image (d) Predict (d) Predict (probabilistic) (probabilistic) (e) Uncertainty (e) Uncertainty (d) Predict (probabilistic) (e) Uncertainty (d) Predict (probabilistic) (e) Uncertainty (d) Predict (probabilistic) (e) Uncertainty 2. Registrierung von medizinischen Bildern (z.b., MRT) Ziel Quelle Yang et al., Quicksilver: Fast Predictive Image Registration Traditionell (Rechenzeit ca. 10 [min]) Neuronales Netz (Rechenzeit ca. 18 [s]) Unsicherheit (in der Vorhersage)
33 Aktuelle Probleme & Stand der Forschung 3. Image Translation ( Bildübersetzung ) Zebra Pferd Foto Monet VanGogh Monet Foto Isola et al., Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks
34 Aktuelle Probleme & Stand der Forschung 4. Neural Style Transfer Transfer des Bildinhaltes hinsichtlich bekannter Stilrichtungen Foto Gatys et al., A Neural Algorithm of Artistic Style
35 Aktuelle Probleme & Stand der Forschung 4. Neural Style Transfer Transfer des Bildinhaltes hinsichtlich bekannter Stilrichtungen Foto Gatys et al., A Neural Algorithm of Artistic Style Sternennacht (van Gogh)
36 Aktuelle Probleme & Stand der Forschung 4. Neural Style Transfer Transfer des Bildinhaltes hinsichtlich bekannter Stilrichtungen Foto Gatys et al., A Neural Algorithm of Artistic Style Sternennacht (van Gogh) The Shipwreck (William Turner)
37 Aktuelle Probleme & Stand der Forschung 4. Neural Style Transfer Transfer des Bildinhaltes hinsichtlich bekannter Stilrichtungen Foto Gatys et al., A Neural Algorithm of Artistic Style Sternennacht (van Gogh) The Shipwreck (William Turner) The Scream (Edvard Munch)
38 Aktuelle Probleme & Stand der Forschung 5. Predictive video models Video (4 Frames) Vorhersage (12 Frames) Video (4 Frames) Vorhersage (12 Frames) Vondrick & Torralba, Generating the Future with Adversarial Transformers
39 Aktuelle Probleme & Stand der Forschung 5. Predictive video models Video (4 Frames) Vorhersage (12 Frames) Video (4 Frames) Vorhersage (12 Frames) Vondrick & Torralba, Generating the Future with Adversarial Transformers
40 Aktuelle Probleme & Stand der Forschung 5. Predictive video models Video (4 Frames) Vorhersage (12 Frames) Video (4 Frames) Vorhersage (12 Frames) Vondrick & Torralba, Generating the Future with Adversarial Transformers
41 Aktuelle Probleme & Stand der Forschung 5. Predictive video models Video (4 Frames) Vorhersage (12 Frames) Video (4 Frames) Vorhersage (12 Frames) Vondrick & Torralba, Generating the Future with Adversarial Transformers
42 Aktuelle Probleme & Stand der Forschung 5. Predictive video models Video (4 Frames) Vorhersage (12 Frames) Video (4 Frames) Vorhersage (12 Frames) Vondrick & Torralba, Generating the Future with Adversarial Transformers
43 Praktische Umsetzung im Unternehmen Momentane Fortschritt in dem Forschungsbereich angetrieben von Unternehmen.
44 Praktische Umsetzung im Unternehmen Hardware GPU (Graphics Processing Unit): z.b., Nvidia Titan X (Kostenpunkt: ca ) Nvidia DevBox
45 Praktische Umsetzung im Unternehmen Software 1. TensorFlow (Google) 2. Torch / PyTorch (Facebook) 3. Caffe (UC Berkeley) 4. Theano Alle diese Frameworks werden momentan auch kommerziell eingesetzt. (z.b., Google Bildsuche, Facebook Face Recognition / Tagging, etc.)
46 Herausforderungen Im Wesentlichen fehlt es einer Maschine an Alltagsverstand (common sense). Der Ball bricht durch den Tisch weil er aus Styropor ist. Frage: Ist der Ball, oder der Tisch aus Styropor? (typisches Winograd Schema benannt nach Terry Winograd) Bei Fragen dieser Art, sind Maschinen zu ~60%, und Menschen zu ~95% korrekt.
47 Herausforderungen
48 Herausforderungen Supervised Learning (die meisten aktuellen Anwendungen + alle Beispiele von heute)
49 Herausforderungen Reinforcement Learning (erfolgreich bei Spielen, z.b., AlphaGo, Doom) Supervised Learning (die meisten aktuellen Anwendungen + alle Beispiele von heute)
50 Herausforderungen Reinforcement Learning (erfolgreich bei Spielen, z.b., AlphaGo, Doom) Supervised Learning (die meisten aktuellen Anwendungen + alle Beispiele von heute) Unsupervised/Predictive Learning (mehr oder weniger ungelöst)
51 Danke für Ihre Aufmerksamkeit! Fragen? Kontakt:
Künstliche 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
MehrMachinelles 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
MehrWebinar: DeepLearning
Webinar: DeepLearning Dr. Bernhard Moser, DI Theodorich Kopetzky WKO Linz, 27. April 2017 SCCH ist eine Initiative der SCCH ist Teil des Fragen? Geben Sie Ihre Fragen im Fragen-Chat ein 1 2 3 Überblick
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
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
MehrKünstliche Intelligenz
Künstliche Intelligenz Data Mining Approaches for Instrusion Detection Espen Jervidalo WS05/06 KI - WS05/06 - Espen Jervidalo 1 Overview Motivation Ziel IDS (Intrusion Detection System) HIDS NIDS Data
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
MehrMustererkennung und Klassifikation
Mustererkennung und Klassifikation WS 2007/2008 Fakultät Informatik Technische Informatik Prof. Dr. Matthias Franz mfranz@htwg-konstanz.de www-home.htwg-konstanz.de/~mfranz/heim.html Grundlagen 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
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:
MehrMaschinelles Lernen: Neuronale Netze. Ideen der Informatik Kurt Mehlhorn
Maschinelles Lernen: Neuronale Netze Ideen der Informatik Kurt Mehlhorn 16. Januar 2014 Übersicht Stand der Kunst im Bilderverstehen: Klassifizieren und Suchen Was ist ein Bild in Rohform? Biologische
Mehr1. Lernen von Konzepten
1. Lernen von Konzepten Definition des Lernens 1. Lernen von Konzepten Lernziele: Definitionen des maschinellen Lernens kennen, Klassifikationen des maschinellen Lernens kennen, Das Prinzip des induktiven
MehrBildverarbeitung in der Qualitätskontrolle. Sebastian Zambal LEADING INNOVATIONS
Bildverarbeitung in der Qualitätskontrolle Sebastian Zambal LEADING INNOVATIONS Überblick Profactor Grundlagen Bildverarbeitung HW, SW, Methoden Inspektion Gussteilen Inspektion CFK, GFK Projekte EMVA-Studie:
MehrNeural Networks: Architectures and Applications for NLP
Neural Networks: Architectures and Applications for NLP Session 00: Organisatorisches Julia Kreutzer & Julian Hitschler 25. Oktober 2016 Institut für Computerlinguistik, Heidelberg 1 Überblick 1. Vorstellung
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
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
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
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrKünstliche Intelligenz
Künstliche Intelligenz Lernfähige und kreative Maschinen für eine nachhaltige Zukunft Prof. Dr. Wolfgang Ertel Hochschule Ravensburg-Weingarten IfKom Jahrestagung Evang. Akad. Baden Bad Herrenalb, 10.3.2015
MehrBertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren
Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren Regensburg, 18.05.2017, Ulrich Haböck Bertrandt Ingenieurbüro GmbH Maschinelles Lernen für Autonomes Fahren 0 Agenda Grundlagen Machine
MehrLehrveranstaltungen im Wintersemester 2012/2013
Lehrveranstaltungen im Wintersemester 2012/2013 Information Systems and Machine Learning Lab (ISMLL) Prof. Dr. Dr. Lars Schmidt-Thieme Hildesheim, Juli 2012 1 / 1 Übersicht Praktika Hildesheim, Juli 2012
MehrNeue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung. Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich
Neue Trends aus dem maschinellen Lernen in Photogrammetrie und Fernerkundung Jan Dirk Wegner Photogrammetry and Remote Sensing, ETH Zürich 1 Worum geht es? 2 Worum geht es? Jolanda Jan Bilderbuch 3 Worum
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
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 Linguistik, Teil 4
Einführung in die Linguistik, Teil 4 Menschliche Sprachverarbeitung im Rahmen der Kognitionswissenschaft Markus Bader, Frans Plank, Henning Reetz, Björn Wiemer Einführung in die Linguistik, Teil 4 p. 1/19
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
MehrDeep Learning in der Bilderkennung
Deep Learning in der Bilderkennung Steuerung autonomer mobiler Roboter mit Hilfe neuronaler Netze Bachelorarbeit im Fachbereich 2: Informatik und Ingenieurwissenschaften vorgelegt von: Arno Fuhrmann Matrikelnummer:
MehrWenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning?
Wenn Maschinen lernen zu lernen Mensch- Maschine-Kommunikation zwischen Trial-and-Error und Deep Learning? TA17: Neue Arbeitswelt und Digitalisierung Welche Folgen haben neue Organisationsformen und Technologien?
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2014, SS 2014 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source: http://arxiv.org/abs/1312.6082,
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
MehrVasco Tonack Network and Communication, ZEDAT. Cisco UC Licensing. Und die Nachteile von Extension Mobility
Vasco Tonack Network and Communication, ZEDAT Cisco UC Licensing Und die Nachteile von Extension Mobility Agenda Licensing Basics Betriebsmodelle 2 LICENSING BASICS 3 Software Subscription Cisco Unified
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 15, Donnerstag, 12. Februar 2015 (Evaluation, Klausur, Vorstellung Arbeitsgruppe) Junior-Prof.
MehrProseminar - Data Mining
Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2012, SS 2012 1 Data Mining Pipeline Planung Aufbereitung Modellbildung Auswertung Wir wollen nützliches Wissen
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
MehrKeine Hexerei, sondern Alltag
AI Trendletter Auch Deep Learning macht den Data Scientist nicht obsolet Keine Hexerei, sondern Alltag Meinung von Dr. Andreas Becks Bei der Beschäftigung mit Begriffen wie Künstliche Intelligenz, Cognitive
MehrKybernetik Einführung
Kybernetik Einführung Mohamed Oubbati Institut für Neuroinformatik Tel.: (+49) 731 / 50 24153 mohamed.oubbati@uni-ulm.de 24. 04. 2012 Einführung Was ist Kybernetik? Der Begriff Kybernetik wurde im 1948
MehrKamera-basierte Objekterkennung
Kamera-basierte Objekterkennung Deep Machine Learning. Version 2.0 Einführung Motivation & Megatrends Motivation In der Logistik verursacht die Identifizierung (das Scannen) der Produkte, Pakete, Paletten,
MehrNavigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform. Thorsten Jost INF-M2 AW1 Sommersemester
Navigation anhand natürlicher Landmarken mit Hilfe der Scale Invariant Feature Transform Thorsten Jost INF-M2 AW1 Sommersemester 2008 Agenda Motivation Feature Detection Beispiele Posenbestimmung in Räumen
MehrAutomatisierung / Robotik
Automatisierung / Robotik und Nachhaltigkeit Prof. Dr. Wolfgang Ertel Hochschule Ravensburg-Weingarten B.A.U.M. Jahrestagung, Bonn 9.11.2016 Lernfähige Roboter Künstliche Intelligenz Teppich, Tisch, Tisch
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
MehrOnline Learning in Management
43 rd EUCEN Conference 2012 Workshop: Supporting the individual learner in ULLL The Makes and Brakes of Collaborative E-Learning: Online Learning in Management - A case study - Dr. Marion Bruhn-Suhr University
MehrData Mining Künstliche Neuronale Netze vs. Entscheidungsbäume
Data Mining Künstliche Neuronale Netze vs. Entscheidungsbäume Grundseminar HAW Master Informatik 18.04.2017 Inhaltsübersicht Data Mining & Begriffswelt des Data Mining Klassifikation & Klassifikatoren
MehrRaum-zeitliche. in Sensordaten. Mustererkennung. mit Deep Learning. Felix Kunde, Petra Sauer
Raum-zeitliche Mustererkennung in Sensordaten mit Deep Learning Felix Kunde, Petra Sauer About me Wissenschaftlicher Mitarbeiter @BeuthHS Geographie / GIS Background Fokus der letzten Jahre: Geodatenbanken
MehrWE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN
WE SHAPE INDUSTRY 4.0 BOSCH CONNECTED INDUSTRY DR.-ING. STEFAN AßMANN Bosch-Definition for Industry 4.0 Our Seven Features Connected Manufacturing Connected Logistics Connected Autonomous and Collaborative
MehrContext-adaptation based on Ontologies and Spreading Activation
-1- Context-adaptation based on Ontologies and Spreading Activation ABIS 2007, Halle, 24.09.07 {hussein,westheide,ziegler}@interactivesystems.info -2- Context Adaptation in Spreadr Pubs near my location
MehrKonzepte der AI: Maschinelles Lernen
Konzepte der AI: Maschinelles Lernen Nysret Musliu, Wolfgang Slany Abteilung für Datenbanken und Artificial Intelligence Institut für Informationssysteme, TU-Wien Übersicht Was ist Lernen? Wozu maschinelles
MehrEine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft. Lars Melchior
Eine Analyse des Effektes von Lernen auf Populationsfitness und Diversität in einer NK-Fitnesslandschaft Lars Melchior Theoretische Grundlagen Theoretische Grundlagen Genetik Genetische Algorithmen NK
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
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
MehrBayesian updating in natural hazard risk assessment
International Forum on Engineering Decision Making, Third IFED Forum, Shoal Bay, Australia, 12-15 15 December 2007 1/23 Bayesian updating in natural hazard risk assessment Mathias Graf, Kazuyoshi Nishijima,
MehrInhaltliche Planung für die Vorlesung
Vorlesung: Künstliche Intelligenz - Mustererkennung - P LS ES S ST ME Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte der KI, PROLOG 2) Expertensysteme
MehrFundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1
Fundamentals of Electrical Engineering 1 Grundlagen der Elektrotechnik 1 Chapter: Operational Amplifiers / Operationsverstärker Michael E. Auer Source of figures: Alexander/Sadiku: Fundamentals of Electric
MehrDigitales Controlling die Zukunft ist Heute. Markus Zorn & Miriam Hirs 26. September 2017
Digitales Controlling die Zukunft ist Heute Markus Zorn & Miriam Hirs 26. September 2017 Agenda Digitales Controlling: Fiktion oder Realität Der Weg ins digitale Controlling Kompetenzanforderungen der
MehrKünstliche Intelligenz & Maschinelles Lernen
Künstliche Intelligenz & Maschinelles Lernen Fraunhofer Heinrich Hertz Institute 1928 Founding of the Heinrich Hertz Institute 1960s Research on fiber optical transmission 1980s Research on digital video
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrUSBASIC SAFETY IN NUMBERS
USBASIC SAFETY IN NUMBERS #1.Current Normalisation Ropes Courses and Ropes Course Elements can conform to one or more of the following European Norms: -EN 362 Carabiner Norm -EN 795B Connector Norm -EN
Mehr1.1 Was ist KI? 1.1 Was ist KI? Grundlagen der Künstlichen Intelligenz. 1.2 Menschlich handeln. 1.3 Menschlich denken. 1.
Grundlagen der Künstlichen Intelligenz 20. Februar 2015 1. Einführung: Was ist Künstliche Intelligenz? Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert
MehrLernfähige Roboter. die Zukunft der Servicerobotik. Prof. Dr. Wolfgang Ertel Hochschule Ravensburg-Weingarten
Lernfähige Roboter die Zukunft der Servicerobotik Prof. Dr. Wolfgang Ertel Hochschule Ravensburg-Weingarten Akademietage Landkreis Biberach, 3.3.211 Was ist Servicerobotik? Waschen Bügeln Kochen Aufräumen
MehrGrundlagen der Künstlichen Intelligenz
Grundlagen der Künstlichen Intelligenz 1. Einführung: Was ist Künstliche Intelligenz? Malte Helmert Universität Basel 20. Februar 2015 Einführung: Überblick Kapitelüberblick Einführung: 1. Was ist Künstliche
MehrEinführung in die Methoden der Künstlichen Intelligenz
Einführung in die Methoden der Künstlichen Intelligenz --- Vorlesung vom 17.4.2007 --- Sommersemester 2007 Prof. Dr. Ingo J. Timm, Andreas D. Lattner Professur für Wirtschaftsinformatik und Simulation
Mehrv+s Output Quelle: Schotter, Microeconomics, , S. 412f
The marginal cost function for a capacity-constrained firm At output levels that are lower than the firm s installed capacity of K, the marginal cost is merely the variable marginal cost of v. At higher
MehrBielefeld Graphics & Geometry Group. Brain Machine Interfaces Reaching and Grasping by Primates
Reaching and Grasping by Primates + 1 Reaching and Grasping by Primates Inhalt Einführung Theoretischer Hintergrund Design Grundlagen Experiment Ausblick Diskussion 2 Reaching and Grasping by Primates
MehrKennfeldverbreiterung eines Radialverdichters für Abgasturbolader durch multidisziplinäre CFD-FEM-Optimierung mit FINE /Turbo
2011 Kennfeldverbreiterung eines Radialverdichters für Abgasturbolader durch multidisziplinäre CFD-FEM-Optimierung mit FINE /Turbo Th. Hildebrandt, L. Gresser, M. Sievert Inhaltsverzeichnis 01 02 03 04
MehrDie Konvergenz von Mensch und Machine - und was dies für die Zukunft von Gesellschaft und Business bedeutet
www.futuristgerd.com www.gerdtube.com @gleonhard on Twitter Die Konvergenz von Mensch und Machine - und was dies für die Zukunft von Gesellschaft und Business bedeutet Mein neues Buch Technology vs Humanity
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
MehrAnnual General Meeting 2015 Berlin, April 14, 2015. Dr Mathias Döpfner, Chairman & CEO
Annual General Meeting 2015 Berlin, April 14, 2015 Dr Mathias Döpfner, Chairman & CEO Our corporate mission The leading digital publisher 2 Digital transformation along core areas of expertise Paid Models
MehrValidation Model Selection Kreuz-Validierung Handlungsanweisungen. Validation. Oktober, von 20 Validation
Validation Oktober, 2013 1 von 20 Validation Lernziele Konzepte des maschinellen Lernens Validierungsdaten Model Selection Kreuz-Validierung (Cross Validation) 2 von 20 Validation Outline 1 Validation
MehrVorlesung. Data und Web Mining. Kurzinformation zur. Univ.-Prof. Dr. Ralph Bergmann. Lehrstuhl für Wirtschaftsinformatik II
Kurzinformation zur Vorlesung Data und Web Mining Univ.-Prof. Dr. Ralph Bergmann www.wi2.uni-trier.de - I - 1 - Die Ausgangssituation (1) Unternehmen und Organisationen haben enorme Datenmengen angesammelt
MehrLineare Regression. Christian Herta. Oktober, Problemstellung Kostenfunktion Gradientenabstiegsverfahren
Lineare Regression Christian Herta Oktober, 2013 1 von 33 Christian Herta Lineare Regression Lernziele Lineare Regression Konzepte des Maschinellen Lernens: Lernen mittels Trainingsmenge Kostenfunktion
MehrBilder des Gehirns Bilder der Psyche
Bilder des Gehirns Bilder der Psyche Prof. Stefan Borgwardt Universitäre Psychiatrische Kliniken Basel (UPK) Die Hirnforschung sucht tatsächlich ohne Rücksicht auf die Klinik und ohne je von der Psychopathologie
MehrLearning regular sets from queries and counterexamples
Learning regular sets from queries and countereamples Seminar: Spezialthemen der Verifikation H.-Christian Estler estler@upb.de 7..28 Universität Paderborn Motivation Wie können wir Unbekanntes erlernen?
MehrUnit 4. The Extension Principle. Fuzzy Logic I 123
Unit 4 The Extension Principle Fuzzy Logic I 123 Images and Preimages of Functions Let f : X Y be a function and A be a subset of X. Then the image of A w.r.t. f is defined as follows: f(a) = {y Y there
MehrVorlesung: Künstliche Intelligenz
Vorlesung: Künstliche Intelligenz - KI heute, KI morgen, KI übermorgen- D P LS G ML ES S ST SA NN ME O EA SV Künstliche Intelligenz Miao Wang 1 Inhaltliche Planung für die Vorlesung 1) Definition und Geschichte
MehrJPlus Platform Independent Learning with Environmental Information in School
JPlus Platform Independent Learning with Environmental Information in School Mario Härtwig, Pierre Karrasch Salzburg, 7. Juli 2010 Genesis Umweltmonitoring als Beitrag zur Umweltbildung an Schulen. Kulturlandschaftsentwicklung
MehrCustomer-specific software for autonomous driving and driver assistance (ADAS)
This press release is approved for publication. Press Release Chemnitz, February 6 th, 2014 Customer-specific software for autonomous driving and driver assistance (ADAS) With the new product line Baselabs
MehrSCHLAUE LÖSUNGEN FÜR IHRE ANWENDUNGEN SMART SOLUTIONS FOR YOUR APPLICATIONS
SCHLAUE LÖSUNGEN FÜR IHRE ANWENDUNGEN SMART SOLUTIONS FOR YOUR APPLICATIONS block.eu Schlau: Mit der FLUID-TECHNOLOGY schaffen Sie 50% mehr Platz im Schrank. Smart: With the FLUID-TECHNOLOGY you create
MehrStörungen höherer Hirnleistungen nicht übersehen DemenzScreening
Störungen höherer Hirnleistungen nicht übersehen DemenzScreening Prof. Dr. med. Helmut Buchner und klinische Neurophysiologie Recklinghausen Höhere Hirnleistungen Erkennen Gedächtnis Orientierung Lernen
MehrTalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010
TalkIT: Internet Communities Tiroler Zukunftsstiftung Donnerstag, 22. 4. 2010 Reinhard Bernsteiner MCiT Management, Communication & IT MCI MANAGEMENT CENTER INNSBRUCK Universitätsstraße 15 www.mci.edu
MehrModellierung von Non Player Chareacters
Modellierung von Non Player Chareacters Konzeption Künstlicher Charaktere Games Summer Camp 2006 Cindy Löther Inhalt 1 Einleitung 2 Definitionen 3 Non Player Characters (NPC) 4 Modellierung von NPCs 5
MehrOpen Source Data Mining mit WEKA/Pentaho. Dr. Alexander K. Seewald
Open Source Data Mining mit WEKA/Pentaho Dr. Alexander K. Seewald Was ist WEKA? (1) Waikato Environment for Knowledge Analysis Benannt nach einem neugierigen flügellosen Vogel, der in Neuseeland heimisch
MehrProseminar - Data Mining
Vorbesprechung Proseminar - Data Mining SCCS, Fakultät für Informatik Technische Universität München SS 2015 Vorbesprechung, SS 2015 1 Data Mining: Beispiele (1) Hausnummererkennung (Klassifikation) Source:
Mehrdlib - A toolkit for making real world machine learning and data analysis applications in C++
- A toolkit for making real world machine learning and data analysis applications in C++ Stefan Schweter Masterseminar: Klassifikation und Clustering, Wintersemester 2016/2017, Dozent: Stefan Langer 19122016
MehrComputational Neuroscience
Computational Neuroscience Vorlesung WS 2005/2006 Josef Ammermüller Jutta Kretzberg http://www.uni-oldenburg.de/sinnesphysiologie/ 14508.html Begriffsdefinitionen Computational Neuroscience Churchland
MehrWillkommen zum neuen Semester!
Willkommen zum neuen Semester! Informationsmanagement und Informationstechnologie (IMIT) und Wirtschaftsinformatik (Winf) Wintersemester 2012/13 1 Informationen (1) Belegung von Mastermodulen im Bachelor
MehrMensch-Maschine-Interaktion 2 Übung 1
Mensch-Maschine-Interaktion 2 Übung 1 Ludwig-Maximilians-Universität München Wintersemester 2012/2013 Alexander De Luca, Aurélien Tabard Ludwig-Maximilians-Universität München Mensch-Maschine-Interaktion
MehrPredictive Modeling Markup Language. Thomas Morandell
Predictive Modeling Markup Language Thomas Morandell Index Einführung PMML als Standard für den Austausch von Data Mining Ergebnissen/Prozessen Allgemeine Struktur eines PMML Dokuments Beispiel von PMML
MehrDetermining Vibro-Acoustic Effects in Multidomain Systems using a Custom Simscape Gear Library
Determining Vibro-Acoustic Effects in Multidomain Systems using a Custom Simscape Gear Library Tim Dackermann, Rolando Dölling Robert Bosch GmbH Lars Hedrich Goethe-University Ffm 1 Power Noise transmission
MehrSEMINAR AUTOMATISCHE GESICHTSERKENNUNG
SEMINAR AUTOMATISCHE GESICHTSERKENNUNG OBERSEMINAR AUTOMATISCHE ANALYSE VON GESICHTSAUSDRÜCKEN Organisation, Überblick, Themen Überblick heutige Veranstaltung 1. Organisatorisches 2. Überblick über beide
MehrSiehst Du mich? Hörst Du mich?
Siehst Du mich? Hörst Du mich? Videokonferenzen als Gegenstand kommunikationswissenschaftlicher Forschung 10. April 2003 3. Workshop des VCC "Videokonferenzen im Wissenschaftsnetz Olaf A. Schulte, M. A.
MehrVaginal Operative Entbindung. Frank Louwen
Vaginal Operative Entbindung Frank Louwen Quelle: Peristat 2010 Vag. Operationen in Hessen Entwicklung seit 1990 6 5 Anteil in % 4 3 2 Forzeps Vakuum 1 0 Forzeps Verteilung in Kliniken wording FAZ: grobe
MehrNeurowissenschaft und Schule. Schule mit Hirn. Neurowissenschaftliche Befunde und ihre Konsequenzen für pädagogisches Handeln.
Schule mit Hirn Neurowissenschaftliche Befunde und ihre Konsequenzen für pädagogisches Handeln Gilbert Mohr Universität des Saarlandes Praxis für neuropsychologische Diagnostik und Rehabilitation Saarbrücken
MehrComputer Science meets Philosophy the Future of AI
Computer Science meets Philosophy the Future of AI Seminar im Sommersemester 2017 Vorbesprechung, 27.04.2017 INSTITUT FÜR THEORETISCHE INFORMATIK & INSTITUT FÜR PHILOSOPHIE Superintelligence cover, CC-BY-SA
MehrMultimedia-Metadaten und ihre Anwendung
Multimedia-Metadaten und ihre Anwendung 14.02.2006 Video Retrieval und Video Summarization Maria Wagner Aspekte des Video Retrieval 2/14 Videoanalyse Analyse nötig, um Struktur und Metadaten zu erkennen
MehrMachine Learning Hardware
Machine Learning Hardware Dominik Scherer 06.11.2017 Seminar Neuste Trends in Big Data Analytics Betreuer: Dr. Julian Kunkel Motivation Maschinelles Lernen in vielen Bereichen angewendet, z.b. Spracherkennung
MehrGrundlagen Neuronaler Netze
Grundlagen Neuronaler Netze Proseminar Data Mining Julian Schmitz Fakultät für Informatik Technische Universität München Email: ga97wuy@mytum.de Zusammenfassung Diese Ausarbeitung will sich als hilfreiches
MehrKurzanleitung um Transponder mit einem scemtec TT Reader und der Software UniDemo zu lesen
Kurzanleitung um Transponder mit einem scemtec TT Reader und der Software UniDemo zu lesen QuickStart Guide to read a transponder with a scemtec TT reader and software UniDemo Voraussetzung: - PC mit der
MehrBig-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015
Big-Data and Data-driven Business KMUs und Big Data Imagine bits of tomorrow 2015 b Wien 08. Juni 2015 Stefanie Lindstaedt, b Know-Center www.know-center.at Know-Center GmbH Know-Center Research Center
MehrAzure Machine Learning
Azure Machine Learning Alexander Wechsler Wechsler Consulting GmbH & Co. KG Was ist Machine Learning? Technologie zur Vorhersage Ermittlung von Wahrscheinlichkeiten mit Hilfe von Mustern in großen Datenmengen
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
Mehr