Apps intelligenter machen: Machine Learning für Entwickler

Transcript

1. APPS INTELLIGENTER MACHEN:
   MACHINE LEARNING FÜR ENTWICKLER
   JÖRG NEUMANN | ACLUE GMBH
   

   View Slide

2. JÖRG NEUMANN
   THEMEN
   ▪ Frontend Technologies
   ▪ Mobile Development
   ▪ Machine Learning
   ▪ Consulting, Coaching, Training
   KONTAKT
   ▪ Mail: joerg.neumann@aclue.de
   ▪ Twitter: @joergneumann
   ▪ GitHub: https://github.com/joergneumann
   ▪ Blog: http://www.headwriteline.blogspot.com
   

   View Slide

3. WANN BRAUCHT MAN MACHINE LEARNING?
   Menge Komplexität Personalisierung Selbstlernend
   

   View Slide

4. Recommendation Engines Fraud Detection Predictive Maintenance
   EINSATZFÄLLE
   

   View Slide

5. Gesundheitswesen Bots Selbstfahrende Autos
   EINSATZFÄLLE
   

   View Slide

6. Algorithmen
   Rechenleistung
   Daten
   VORAUSSETZUNGEN
   

   View Slide

7. Quelle: IDG Machine Learning Studie 2019
   Datenqualität verbessern
   Machine Learning verstehen
   Worin sehen Sie in Ihrem Unternehmen die größten
   Hürden für die Anwendung von Machine Learning?
   

   View Slide

8. if(speed<4){
   status=WALKING;
   }
   else if(speed<12){
   status=RUNNING;
   }
   else {
   status=BIKING;
   }
   if(speed<4){
   status=WALKING;
   }
   else {
   status=RUNNING;
   }
   if(speed<4){
   status=WALKING;
   }
   ?
   ML VS. CODING
   

   View Slide

9. Regeln
   Daten
   Antworten
   Traditionelle
   Programmierung
   Antworten
   Daten
   Regeln
   Machine
   Learning
   ML VS. CODING
   

   View Slide

10. X Y
    -1 -2
    0 1
    1 4
    2 7
    3 10
    4 13
    Beispiel
    Y = 3X+1
    Wie kann Y
    ermittelt werden?
    

    View Slide

11. Beispiel
    Feature
    Daten Algorithmus Model App
    Label
    

    View Slide

12. DEMO
    Deep Learning 101
    

    View Slide

13. NEURONALES NETZ
    NEURON
    

    View Slide

14. NEURON
    INPUT
    X
    1
    X
    2
    X
    3
    X
    4
    OUTPUT
    ƒ
    |
    >
    |
    >
    W
    0
    ∑
    ACTIVATION
    FUNCTION
    W
    1
    W
    2
    W
    3
    W
    4
    BIAS
    W
    0
    + W
    1
    * X
    1
    + W
    2
    * X
    2
    + W
    3
    * X
    3
    + W
    4
    * X
    4
    Ŷ
    

    View Slide

15. AKTIVIERUNGSFUNKTIONEN
    Lineare Aktivierungsfunktion
    Der Zusammenhang zwischen
    Netzinput und Aktivitätslevel ist linear.
    Lineare Aktivierungsfunktion
    mit Schwelle
    Bevor der Zusammenhang zwischen
    den beiden Größen linear wird, muss
    eine Schwelle überschritten werden.
    Binäre Schwellenfunktion
    Hier gibt es nur zwei Zustände
    des Aktivitätslevels: 0 oder 1
    (bzw. manchmal auch -1)
    Sigmoide Schwellenfunktion
    Diese Art wird oft in Modellen
    verwendet, die kognitive Prozesse
    simulieren.
    

    View Slide

16. Input
    Layer
    Hidden
    Layer
    Output
    Layer
    4 Features
    (Dimensionen)
    3 mögliche
    Kategorien
    10, 6, 2
    5, 4, 4
    9, 8, 7
    1, 6, 2
    0,8
    0,1
    0,3
    NEURONALES NETZ
    Fully connected
    Feed Forward Network
    Backpropagation
    HYPER PARAMETERS:
    • Input Layer Size: 4
    • Hidden Layer Size: 3
    • Output Layer Size: 3
    Wahrscheinlich-
    keiten
    

    View Slide

17. e
    2
    COST FUNCTIONS
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    {
    Error
    Iteration 1
    |
    |
    |
    |
    |
    |
    -
    -
    -
    -
    25
    50
    75
    100
    -
    0
    Iteration 2 Iteration 3
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    Vorhersage
    Realer Wert
    e
    1
    e
    3
    cost = e
    1
    + e
    2
    + e
    3
    

    View Slide

18. Trainings- und Testdaten
    Training Algorithmus Model Ergebnis
    Test
    Vergleich
    Daten
    

    View Slide

19. DEMO
    Image Classification
    

    View Slide

20. |
    |
    |
    |
    |
    |
    -
    -
    -
    -
    -
    Modellkomplexität (Epochs)
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    |
    OVERFITTING & UNDERFITTING
    –---–-
    Vorhersagefehler
    Over-
    fitting
    Under-
    fitting
    Test-
    daten
    Trainings-
    daten
    -
    -
    -
    -
    -
    -
    -
    -
    -
    -
    Beispiel:
    - Score Training: 0,97
    - Score Test: 0,75
    Gut oder schlecht?
    

    View Slide

21. FAZIT
    − Bietet Lösungen für Anwendungsfälle die zu
    komplex für klassische Programmierung sind
    − Software kann echte Intelligenz enthalten
    − Datenbasis, Fragestellung und Algorithmen
    spielen eine entscheidende Rolle
    − Leichter Einstieg über Jupiter Notebooks
    − Rudimentäre Python-Kenntnisse erforderlich
    

    View Slide

22. LIVE DEMOS
    DEEP LEARNING 101
    ▪ https://colab.research.google.com/github/JoergNeumann/MachineLearning/blob/master
    /DeepLearning101.ipynb
    IMAGE CLASSIFICATION
    ▪ https://colab.research.google.com/github/JoergNeumann/MachineLearning/blob/master
    /Image_Classification_mit_TensorFlow.ipynb
    

    View Slide