Lieber XING-Kontakt, vielen Dank für Ihren Besuch!

Maschinelles lernen „Machine Learning“ ist ein Teilbereich von künstlicher Intelligenz bzw. Artificial Intelligence (englisch). „Machine Learning“ bedeutet, dass Systeme selbständig Wissen aus Erfahrungen generieren können. Die Vorteile von Machine Learning liegen darin, dass solche Systeme nicht nur exakt übereinstimmende Daten erkennen, sondern mittels Muster und Gesetzmäßigkeiten auch unbekannte Daten, sowie auch größere Datenmengen verarbeiten und beurteilen können.

Bei der Umsetzung unterscheidet man zwischen symbolischen Systemen (induzierte Regeln) und subsymbolischen Systemen (implizites Wissen) wie neuronale Netze, die auch in der Praxis sehr häufig eingesetzt werden.

Dabei erfolgt das Erlernen aus Erfahrungen durch ein sogenanntes überwachtes Lernen bzw. supervised learning (englisch). Dabei erhält der Algorithmus unterschiedliche Eingabewerte (Input-Layer) und aufgrund der anfangs zufällig festgelegten Gewichte im Netz werden Ausgabewerte (Output-Layer) ermittelt (Forwardpropagation). Entspricht diese Ausgabe nicht dem korrekten Ergebnis, so wird entweder automatisch aufgrund Trainingsdaten bzw. von einem „Lehrer“ das errechnete Ergebnis korrigiert.

Der Algorithmus errechnet dann den Fehler und passt die Gewichtungen im neuronalen Netz an (Backpropagation). Ziel ist es die Gewichte im neuronalen Netz so einzustellen, dass der Output nach der Trainingsphase (unüberwachtes Lernen) möglichst immer ein korrektes Ergebnis ausgibt.

Darunter habe ich ein sehr vereinfachtes Beispiel mit JavaScript programmiert. Dabei wird (links) eine zufällig ausgewählte Farbe eingeblendet und mittels neuronalen Netz ermittelt das Script die Farbe als Wort z.B. Orange, … Aufgrund der anfangs zufällig festgesetzten Gewichtungen, sind diese errechneten Ausgabewerte oftmals falsch. Sie können dann zum Ausprobieren (rechts) auf das korrekte Wort klicken. Anschliessend passt das Skript dann die Gewichte im neuronalen Netz an. Nach mehreren solchen Wiederholungen sollte der errechnet Ausgabewerte immer öfter korrekt sein.

Da bei diesem sehr vereinfachten Beispielskript allerdings das Problem auftritt, dass es die Farben „Orange“ und „Blau“ aufgrund errechneter Ausgabewerte beinahe nicht unterscheiden kann, lassen sich daran auch wichtige Voraussetzungen erkennen. Und zwar muss zuerst eine geeignete Abbildungsvorschrift gefunden werden, sowie auch eine optimale Anzahl der sogenannten Hidden Neurons. Da ich in diesem vereinfachten Beispiel im Hidden-Layer 2 nur 4 Bereiche eingefügt habe (zur übersichtlicheren Darstellung), führt dies auch zu soeben erwähntem Problem (Blau <-> Orange).

Hinweis: als Schwellenwert für die Aktivierung der Sigmoidfunktion (Hidden-Layer 1, Farbe Blau) habe ich einen Farbanteil (Blau) von 80 eingestellt.

Unter dem folgenden Link habe ich ein 2-seitiges Ebook zu diesem Thema erstellt. Dieses können Sie hier downloaden .. Ebook „künstliche Intelligenz“.

und hier wie immer ein Glitze-Kleines-Bisschen Werbung :-(

Virenfrei und Zertifizierung: Alle Tools auf dieser Webseite sind virengeprüft (unter https://www.virustotal.com/ mit 47 Virenscanner) und ausserdem habe ich als Urheber und verifizierter Herausgeber der Softwaretools ein Zertifikat (dieses können Sie abrufen, wenn Sie das jeweilige Softwaretool mit der rechten Maustaste als Administrator starten und dann mit 'Details anzeigen' das Sicherheitszertifikat abrufen). Hinsichtlich dieser Webseiten, Artikeln, Skripte, Tools, Ebooks, usw. gilt vollständiger Haftungsausschluss. Fehler, Irrtümer, usw. nicht ausschließbar!

vielen Dank und Ihnen schöne Grüße,

Christian Schönberg (privater Blogartikel)

       

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Im letzten Artikel habe ich ein Java-Tool pro ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Wenn man einen Blogartikel schreibt, stellt s ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Konstruktionszeichnungen z.B. im Maschinenbau ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Dies ist ein Referenzbeispiel für ein Ur ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Sie kennen sicherlich die Kontaktpartys auf d ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Kennen Sie vielleicht die Situation. Sie habe ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Dieses kleine von mir programmierte SoftwareT ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Wie in vorherigen Artikel bereits beschrieben ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Es kann vorkommen, dass in Fotos Teile e ......
den ganzen Artikel lesen ...

Lieber XING-Kontakt, vielen Dank für Ihren Besuch! Wenn man sich auf Youtube ein bestimmtes Vide ......
den ganzen Artikel lesen ...