Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Machine Learning 101

Machine Learning 101

Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer 
an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt
 von Kai Spriestersbach, B.Sc. E-Commerce.

Kai Spriestersbach

January 28, 2021
Tweet

More Decks by Kai Spriestersbach

Other Decks in Education

Transcript

  1. Machine Learning 101 Gastvortrag im FWPM Web Intelligence bei Prof.

    Dr. Mario Fischer 
 an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt
 von Kai Spriestersbach, B.Sc. E-Commerce
  2. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce ML101: Agenda & Referent 1. Grundlegende Konzepte 1. Supervised Learning 2. Unsupervised Learning 3. Reinforcement Learning 2. Einstieg in ML 1. Hürden in der Praxis 2. Wie lerne ich ML? Kai Spriestersbach, B.Sc. E-Commerce
  3. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Grundlegende Konzepte
  4. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Äpfel und Birnen color: #b72522 curvature: .32 height: .35 width: .37 color: #d9dd67 curvature: .62 height: .46 width: .36
  5. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Alles Statistik oder was? ID color curvature height width 1 #b62321 0.33 0.31 0.38 2 #b72522 0.32 0.35 0.37 3 #d9dd67 0.62 0.46 0.36 4 #d8de68 0.55 0.41 0.37
  6. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Drei unterschiedliche Ansätze Machine Learning Supervised Learning Aufgaben getrieben Unsupervised Learning Daten getrieben Reinforcement Learning Belohnungsgetrieben
  7. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 1. Supervised Learning Trainiere dir deinen Algorithmus Quelle: https://data-science-blog.com/blog/2017/07/02/uberwachtes-vs-unuberwachtes-maschinelles-lernen/ 1. 2. 3.
  8. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Supervised Learning „Wie lerne ich Äpfel von Orangen zu unterscheiden?“ Klassi f i kation Regression
  9. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Klassi f i kation Das Finden von Grenzen Quelle: https://data-science-blog.com/blog/2017/12/20/maschinelles-lernen-klassi f i kation-vs-regression/ 1. Lerndaten 2. ANN „anlernen“ 3. Gewichtungen = Grenze 4. Aktivierungsfunktion
  10. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Regression Die Vorhersage von stetigen Werten Quelle: https://data-science-blog.com/blog/2017/12/20/maschinelles-lernen-klassi f i kation-vs-regression/
  11. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 2. Unsupervised Learning Mit unüberwachtem Lernen verborgene Strukturen identi f i zieren Quelle: https://data-science-blog.com/blog/2017/07/02/uberwachtes-vs-unuberwachtes-maschinelles-lernen/
  12. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 2. Unsupervised Learning „Wie bringe ich Ordnung in meine LEGO-Kiste?“ Clustering Bild: https://www.amazon.de/LEGO-Steine-Co-6053-Bausteinekiste/dp/B004OT4SKG
  13. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Unsupervised Learning „Wie bringe ich Ordnung in meine LEGO-Kiste?“ Clustering
  14. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce kNN Algorithmus Quelle: https://www.kdnuggets.com/2016/01/implementing-your-own-knn-using-python.html Gruppen mittels Abständen bestimmen 1. Datenanalyse 3. Nachbarn f i nden 4. Klassen wählen 2. Distanzen berechnen
  15. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Deep Neural Networks
  16. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Natürliches Neuron Bild: http:// f l ickriver.com/photos/msitua/sets/72157622381433565/
  17. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Stimuli / Aktivierungsfunktion Quelle: http://www.nature.com/neuro/journal/v15/n11/ f i g_tab/nn.3247_F1.html
  18. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Aufbau eines ANN Quelle: http://sqlblog.com/blogs/dejan_sarka/archive/2016/01/26/data-mining-algorithms-neural-network.aspx
  19. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Warum Deep? Quelle: https://www.datarobot.com/blog/a-primer-on-deep-learning/
  20. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Das Netz lernt in Schichten von Features Quelle: https://www.datarobot.com/blog/a-primer-on-deep-learning/
  21. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 3. Reinforcement Learning Durch Belohnung und Verstärkung Verbesserungen erreichen Quelle: https://medium.freecodecamp.org/an-introduction-to-reinforcement-learning-4339519de419
  22. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Reinforcement Learning „Wie bringe ich meinem Sohn ein Brettspiel bei?“ Genetische Algorithmen Temporal Di f f erence Learning
  23. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Let’s solve Super Mario World
  24. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Deep Neural Network!
  25. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce FSS im Output 12 Buttons = 12 Output Neurons?
  26. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Input: Screen-Capture 256 x 224 Pixel = 57.344 Pixel Mit je 256 Farben 57.344 Eingangsneuronen
  27. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Was Google kann … Ng et. al., „Building High-level Features Using Large Scale Unsupervised Learning“ https://arxiv.org/pdf/1112.6209.pdf
  28. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Ng et. al., „Building High-level Features Using Large Scale Unsupervised Learning“ https://arxiv.org/pdf/1112.6209.pdf “The model has 1 billion connections, the dataset has 10 million 200×200 pixel images downloaded from the Internet… We train this network using model parallelism and asynchronous SGD on a cluster with 1,000 machines (16,000 cores) for three days”
  29. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Full Screen Capture 14.680.064 Varianten
  30. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 16 Graustufen? 917.504 Varianten
  31. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Komplexitätsreduktion!
  32. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Komplexitätsreduktion! 8.192 Varianten
  33. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce
  34. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce https://www.youtube.com/watch?v=Ipi40cb_RsI MariFlow - Self-Driving Mario Kart w/Recurrent Neural Network
  35. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 3. Praktischer Einstieg
  36. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Viele Lösungsansätze… Welcher ist „der Richtige“?
  37. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Problem Pre-Processing • Feature Subset Selection
 Welche Eigenschaften/Daten sollen wir heranziehen? • Diskretisierung
 Aufteilung von Wertebereichen in Intervalle, z.B. Altersgruppen • Sampling
 Spart Rechenzeit und Speicherplatz bei zu großen Datenmengen • Data Cleaning
 Daten analysiern, aufbereiten, Fehler korrigieren, Dubletten aussortieren
  38. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Problem Pre-Processing • Feature Subset Selection
 Welche Eigenschaften/Daten sollen wir heranziehen? • Diskretisierung
 Aufteilung von Wertebereichen in Intervalle, z.B. Altersgruppen • Sampling
 Spart Rechenzeit und Speicherplatz bei zu großen Datenmengen • Data Cleaning
 Daten analysiern, aufbereiten, Fehler korrigieren, Dubletten aussortieren
  39. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Problem Pre-Processing • Feature Subset Selection
 Welche Eigenschaften/Daten sollen wir heranziehen? • Diskretisierung
 Aufteilung von Wertebereichen in Intervalle, z.B. Altersgruppen • Sampling
 Spart Rechenzeit und Speicherplatz bei zu großen Datenmengen • Data Cleaning
 Daten analysiern, aufbereiten, Fehler korrigieren, Dubletten aussortieren
  40. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Problem Pre-Processing • Feature Subset Selection
 Welche Eigenschaften/Daten sollen wir heranziehen? • Diskretisierung
 Aufteilung von Wertebereichen in Intervalle, z.B. Altersgruppen • Sampling
 Spart Rechenzeit und Speicherplatz bei zu großen Datenmengen • Data Cleaning
 Daten analysiern, aufbereiten, Fehler korrigieren, Dubletten aussortieren
  41. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce Wie lerne ich ML?
  42. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce https://www.kaggle.com/kanncaa1/machine-learning-tutorial-for-beginners Lernt python & startet bei kaggle mit dem Tutorial
  43. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce https://eu.udacity.com/course/intro-to-machine-learning--ud120 Kostenloser Machine Learning Kurs bei Udacity
  44. Gastvortrag im FWPM Web Intelligence bei Prof. Dr. Mario Fischer

    an der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt von Kai Spriestersbach, B.Sc. E-Commerce 24 hours
 big data
 hackatho n 15/1 6 Novembe r 201 8 GRÜNDERWERKSTAT T VOGEL COMMUNICATIONS GROU P WÜRZBUR G https://nightcrawl.scoutbee.com/ Kommt zu Events bei scoutbee