Tweet
Tweet

Slide 1

Slide 1 text

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

Slide 2

Slide 2 text

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

Slide 3

Slide 3 text

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

Slide 4

Slide 4 text

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

Slide 5

Slide 5 text

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

Slide 6

Slide 6 text

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

Slide 7

Slide 7 text

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.

Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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

Slide 10

Slide 10 text

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/

Slide 11

Slide 11 text

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/

Slide 12

Slide 12 text

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

Slide 13

Slide 13 text

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

Slide 14

Slide 14 text

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

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

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/

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

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

Slide 19

Slide 19 text

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/

Slide 20

Slide 20 text

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/

Slide 21

Slide 21 text

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

Slide 22

Slide 22 text

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

Slide 23

Slide 23 text

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

Slide 24

Slide 24 text

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!

Slide 25

Slide 25 text

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?

Slide 26

Slide 26 text

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

Slide 27

Slide 27 text

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

Slide 28

Slide 28 text

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”

Slide 29

Slide 29 text

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

Slide 30

Slide 30 text

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

Slide 31

Slide 31 text

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!

Slide 32

Slide 32 text

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

Slide 33

Slide 33 text

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

Slide 34

Slide 34 text

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

Slide 35

Slide 35 text

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

Slide 36

Slide 36 text

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“?

Slide 37

Slide 37 text

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

Slide 38

Slide 38 text

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

Slide 39

Slide 39 text

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

Slide 40

Slide 40 text

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

Slide 41

Slide 41 text

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?

Slide 42

Slide 42 text

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

Slide 43

Slide 43 text

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

Slide 44

Slide 44 text

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