Projekt:2023/Maschinelles Lernen: Unterschied zwischen den Versionen

Version vom 20. März 2024, 18:46 Uhr

Mit den folgenden Übungen kannst Du Dich auf die Kursarbeit vorbereiten.

Folgende Themen wurden in der Unterrichtsreihe "Maschinelles Lernen" behandelt:

Arbeitsauftrag

Beschreibe, welche Arten von K.I. es gibt.
Beschreibe die Bedeutung der Begriffe "Intelligenz" und "Lernen" im Kontext von KI, wie wir sie heute haben.
Erläutere, warum wir nicht von "Künstlicher Intelligenz" sprechen sollten, sondern von "Maschinellem Lernen".
Beschreibe, welche Arten des maschinellen Lernens es gibt.

Lösung

Man unterscheidet "starke" und "schwache" KI:
- Starke KI wäre insofern nicht von einer menschlichen Intelligenz zu unterscheiden, als dass sie selbstständig lernen kann, jedes Problem zu lösen und sich selbst verbessern könnte. Sie wäre vermutlich intelligenter als ein Mensch, da sie Informationen in viel größeren Mengen verarbeiten könnte, als ein Mensch.
- Schwache KI ist das, was wir heutzutage haben (ChatGPT; selbstfahrende Autos ...) und ist darauf trainiert, eine Aufgabe besonders gut zu lösen. Sie kann aber kein anderes Problem lösen, als das, auf das sie gezielt trainiert wurde. (Ein Schachcomputer kann keine Pfannkuchen backen.)
Die KIen von heute sind nicht wirklich intelligent, sondern produzieren nur neue Kombinationen aus den Daten, aus denen sie angelernt wurden. Sie können nicht wirklich kreativ sein. Kleine Abweichungen von erwarteten Eingaben können sie oftmals schon aus dem Tritt bringen. Diese KIs haben aber gelernt, ihre Aufgabe zu lösen, indem sie aus vorhandenen Daten Muster erkannt und "verinnerlicht" haben. Dieses Lernen ist teilweise davon abgeguckt, wie wir Menschen lernen.
"Künstliche Intelligenz" suggeriert, dass es sich um wirklich intelligente Maschienen handelt. Dies ist aber nicht der Fall. Daher passt der Begriff des "maschinellen Lernens" besser.
siehe oben

Arbeitsauftrag

Arbeitsauftrag

Entscheide anhand des Entscheidungsbaums, welche Äpfelsorten Früchte tragen werden.

{| class="wikitable " style="margin:1em auto;"

Alter	Sorte	Boden
alt	veredelt	mager
alt	natürlich	reichhaltig
jung	veredelt	reichhaltig
alt	natürlich	mager
alt	veredelt	reichhaltig

Erstelle anhand der Tabelle mit Trainingsdaten einen Entscheidungsbaum, der entscheidet, ob wir morgen Tennis spielen gehen wollen, oder nicht. Wende dann Deinen Baum auf die Testdaten in der zweiten Tabelle an.
Beurteile dann die Güte Deines Baumes und welche Probleme es gibt.

Welche Rückschlüsse lassen sich aus diesem Beispiel für die Auswahl von Trainingsdaten ziehen?

Traininsgdaten
Vorhersage	Temperatur	Feuchtigkeit	Wind	Tennis Spielen?
sonnig	heiß	hoch	schwach	nein
sonnig	heiß	hoch	stark	nein
bewölkt	heiß	hoch	schwach	ja
regnerisch	mild	hoch	schwach	ja
regnerisch	kalt	normal	schwach	ja
regnerisch	kalt	normal	stark	nein
bewölkt	mild	hoch	stark	ja
sonnig	mild	hoch	schwach	nein
sonnig	kalt	normal	schwach	ja
regnerisch	mild	normal	schwach	ja
sonnig	mild	normal	stark	ja
bewölkt	heiß	normal	schwach	ja
bewölkt	kalt	normal	stark	ja
regnerisch	mild	hoch	stark	nein

Testdaten
Vorhersage	Temperatur	Feuchtigkeit	Wind
sonnig	mild	normal	stark
bewölkt	mild	normal	schwach
regnerisch	heiß	hoch	stark
bewölkt	kalt	normal	schwach
sonnig	mild	normal	schwach
bewölkt	kalt	gering	schwach
sonnig	heiß	gering	schwach

@@ Zeile 53: / Zeile 53: @@
 |}
 # Erstelle anhand der Tabelle mit Trainingsdaten einen Entscheidungsbaum, der entscheidet, ob wir morgen Tennis spielen gehen wollen, oder nicht. Wende dann Deinen Baum auf die Testdaten in der zweiten Tabelle an.
+#: Beurteile dann die Güte Deines Baumes und welche Probleme es gibt.
+#: Welche Rückschlüsse lassen sich aus diesem Beispiel für die Auswahl von Trainingsdaten ziehen?
 {| {{prettytable}}
 |+ Traininsgdaten
@@ Zeile 105: / Zeile 107: @@
 | sonnig || heiß || gering || schwach ||
 |}
+# '''Entscheidungsbaum auf numerischen Daten'''
 {{Aufgabe:End}}
 === Übungen Neuronale Netze ===
 === Übungen Unüberwachtes Lernen ===