Lesson
    1
    Lesson
    2
    Lesson
    3

    0%
    Lesson
    4
    Lesson
    5

    0%
    • 2.2 Supervised  Learning (Überwachtes Lernen)

      Im Positionspaper von Bitkom und DFKI wird überwachtes Lernen wie folgt beschrieben:

      "Beim überwachten Lernen ist das Ziel die Vorhersage einer bestimmten Eigenschaft aus einer Menge von gegebenen Daten, für die diese Eigenschaft schon bekannt ist. Ziel ist also die Prognose für neue, noch nicht gesehene Beispiele. Während die Qualität des Modells auf den historischen Daten problemlos überprüft werden kann, sind für eine Generalisierung auf neue, ungesehene Daten weitere Annahmen erforderlich, die nicht ohne weiteres überprüft werden können. Die Verständlichkeit des Modells dient hier dazu, die Verlässlichkeit durch eine unabhängige Verifizierung durch den Experten zu erhöhen."


      – Quelle: Künstliche Intelligenz: Wirtschaftliche Bedeutung, gesellschaftliche Herausforderungen, menschliche Verantwortung S. 96


      Alle Vorgänge, in denen Künstliche Intelligenz bzw. ein Künstliches Neuronales Netz eine Vorhersage über einen bestimmten Zustand trifft, werden wie folgt gedacht: Ein Objekt (z.B. ein Bild) wird als Vektor mit dem Netzwerk (Matrix) verrechnet und gibt daraufhin ein Ergebnis oder Label als Output Vektor heraus. Möchte man also, dass ein Netzwerk einen Hund auf einem Bild klassifiziert, ist der Input ein Bild von einem Hund und der gewünschte Output des Netzwerks die Klassifizierung bzw. das Label "Hund".

      Beispiel

      Das folgende Video aus einer Comedy-Serie zeigt recht schön, wie eine solche Klassifizierung aussehen kann:

      Damit ein Netzwerk lernt, die richtige Klassifizierung eines Objektes vorzunehmen, müssen die Gewichte (bzw. Parameter), welche zu der Klassifizierung führen sollen, ausgerechnet werden.


      Über ein bestimmtes Verfahren, die Backpropagation, werden die Gewichte eines Netzwerks so angepasst, dass ein bestimmter Input zum richtigen Output führt. Wenn man als Entwickler den gewünschten Output kennt, handelt es sich um Supervised Learning. Das Ergebnis eines Netzwerks ist dann beispielsweise darauf festgelegt, dass es einen Hund erkennen soll.


      Kennt man als Entwickler nicht den gewünschten Output, sondern möchte, dass das künstliche neuronale Netz einen solchen herausgibt, handelt es sich um Unsupervised Learning. Ein Beispiel dafür wäre z.B., wenn ein neuronales Netzwerk bei der Detektion von Krebs in medizinischen Bildern häufige Begleiterscheinungen selbst feststellen soll.


      Im Folgenden soll anhand eines relativ simplen Beispiels das Lernen im neuronalen Netz im Rahmen des Supervised Learning erklärt werden. Dies geschieht über die Backpropagation, die aus zwei grundlegenden Schritten besteht: Dem Forward- und dem Backwardpass.


      Lernprosess im neuronalen Netz beim Supervised Learning

      Im folgenden Video wird kurz erklärt, was sich hinter dem Forward- und dem Backwardpass verbirgt.


      Falls Sie Spaß an Mathematik haben, zeigen diese beiden Videos, wie die Mathematik hinter der Forward- und der Backwardpass genau aussieht.