|
|
| Zeile 35: |
Zeile 35: |
| | | | |
| | =Wiederholung= | | =Wiederholung= |
| − | ==Das Perzeptron==
| + | <big>siehe: [[Dichterisches_Coden#Das_Perzeptron|Das Perzeptron]]</big> |
| − | [[File:02_01.png|800px]]
| |
| − | [[File:Knn3.png|400px]][[File:Perc2.png|400px]] | |
| − | | |
| − | ===Der lineare Klassifikator===
| |
| − | [[File:Lindner-short.mp4]]
| |
| − | ====boolean====
| |
| − | Boole veröffentlichte 1854 "An investigation into the Laws of Thought" (Eine Untersuchung der Gesetze des Denkens).
| |
| − | | |
| − | | |
| − | Der britische Mathematiker hat die Gesetze der Logik formuliert, nach denen Computer, Smartphones, Datenbanken und eben auch Internet-Suchmaschinen funktionieren. Die Boole'sche Algebra gilt als das Fundament der modernen Informationstechnologie.
| |
| − | | |
| − | '''das bool'sche Entscheidungsverfahren:'''
| |
| − | * Ein Entscheidungsverfahren ist ein Algorithmus, der für jedes Element der Menge beantworten kann, ob es die Eigenschaft hat oder nicht.
| |
| − | | |
| − | [[File:Knn1.png|200px]][[File:Boolsche-logikfunktion.png|300px]][[File:LogicGatesWorking.png|300px]] << Claude Shannon
| |
| − | | |
| − | '''Logik''' << Schlußfolgerungslehre, Denklehre:
| |
| − | * In der Logik wird die Struktur von Argumenten im Hinblick auf ihre Gültigkeit untersucht, unabhängig vom Inhalt der Aussagen.
| |
| − | | |
| − | | |
| − | '''formalisierte Logik''':
| |
| − | * „Formale Logik“ bezeichnet eine Notation von Schlüssen mittels einer formalen Sprache, die oftmals spezielle Symbole einführt. Dabei wird üblicherweise genau angegeben, wie wohlgeformte Ausdrücke dieser Sprache gebildet werden (Syntax).
| |
| − | | |
| − | | |
| | ---- | | ---- |
| − | Dieser Datentyp repräsentiert '''Wahrheitswerte''' aus der Menge ''True'' und ''False''. Wahrheitswerte kann man mit Operatoren verknüpfen.
| |
| − | ====Wahrheitstabelle====
| |
| − | Wir erlauben nur, dass die Eingabeneuronen binär aktiviert sein dürfen, sprich: es werden nur Aktivierungen von 1 oder 0 zugelassen.
| |
| | | | |
| − | Wir werden in diesem Semester Christian Lindner aktiv unterstützen und erstmal einen Klassifikator trainieren, der uns sagen wird, ob vor mir ein "EKI" in des Bäckers Schlange steht?
| |
| − |
| |
| − | Dazu haben wir eine Merkmalsliste erstellt und fragen uns daraufhin, beispielsweise ob Die Person vor uns 1. '''männlich''' ist und zweitens '''eine Geldscheinklammer aus der Hosentasche zieht zum bezahlen eines 80 cent Betrages'''?
| |
| − |
| |
| − | Wir nennen hierbei die beiden Spalten "X" und "Y" unsere Merkmale (engl. features), die wir als Eingabe verwenden, und "EKI" ist unser gesuchter Wert oder die gewünschte Ausgabe.
| |
| − |
| |
| − | So gehen wir also einfach mal davon aus, dass wir eigentlich nicht so genau wissen, wie man einen EKI präzise definieren kann: wir haben uns nur diese 2 Merkmale (X und Y) zurechtgelegt um zum richtigen ergebnis zu kommen.
| |
| − |
| |
| − | Später dann im Training werden wir auch wissen, was das erwartete bzw. richtige Ergebnis ist.
| |
| − |
| |
| − | Danach wollen wir dann aber nur noch mit den Eingabe-Merkmalen zum Ziel kommen, ohne dass wir die Antwort schon im Voraus kennen. << Maschinelles Lernen
| |
| − |
| |
| − | In der folgenden Tabelle sind ''logische Verknüpfungen'' zusammengefasst, wobei '''EKI''' und '''HGA'''
| |
| − | in diesem Falle Bool'sche Variablen darstellen, die nur die Werte
| |
| − | * '''0''' bzw. '''False'''
| |
| − | oder
| |
| − | * '''1''' bzw. '''True'''
| |
| − | annehmen können:
| |
| − |
| |
| − | {| class="wikitable"
| |
| − | |-class="hintergrundfarbe5"
| |
| − | !colspan="6"|'''Steht da ein Entwickler Künstlicher Intelligenz (EKI) vor mir in des Bäckers Schlange?'''
| |
| − | |-
| |
| − | ! width="16%" | '''männlich''' || width="16%" | '''Geldscheinklammer''' || width="16%" | NOT || width="16%" | '''AND''' || width="16%" | OR || width="20%" | XOR
| |
| − | |-
| |
| − | | '''False''' || '''False''' || True || '''False''' || False || False
| |
| − | |-
| |
| − | | '''False''' || '''True''' || True || '''False''' || True || True
| |
| − | |-
| |
| − | | '''True''' || '''False''' || False || '''False''' || True || True
| |
| − | |-
| |
| − | | '''True''' || '''True''' || False || '''True''' ||True || False
| |
| − | |}
| |
| − | ----
| |
| | =?= | | =?= |
| | | | |
14.11.2019
alle Notebooks findet ihr unter /exMedia_Machines/Seminar_Einführung-in-die-Programmierung-KI/:
exMedia_Machines/Seminar_Einführung-in-die-Programmierung-KI/05_14_11_maschinelles-lernen/?.ipynb
exMedia_Machines/Seminar_Einführung-in-die-Programmierung-KI/05_14_11_maschinelles-lernen/?.ipynb
exMedia_Machines/Seminar_Einführung-in-die-Programmierung-KI/05_14_11_maschinelles-lernen/?.ipynb
exMedia_Machines/Seminar_Einführung-in-die-Programmierung-KI/05_14_11_maschinelles-lernen/?.ipynb
exMedia_Machines/Seminar_Einführung-in-die-Programmierung-KI/05_14_11_maschinelles-lernen/?.ipynb
exMediawiki
kurze Einführung
classify yourself
DNA phenotyping Workshop @ Open Lab
am Freitag, den 13.12. zusammen mit Verena Friedrich, Klaus Fritze & Matthias Burba (Gast)
more Info: DNA_phenotyping
als Eingabedatenset für unser Perzeptron erstellen wir in diesem Workshop u.a. gemeinsam und experimentell Auszüge aus unserer jeweiligen DNA - unseren genetischen Fingerabdruck.
Wiederholung
siehe: Das Perzeptron
?
Code Poetry
siehe: "...Sprache"
lineare Klassificodichte
Bitte Euer eigenes Klassificodicht hier eintragen: https://pad.freifunk.net/p/lineare-klassificodichte
