Seminar - Cheatsheet.pdf

Seminar - Cheatsheet
Seminar - Cheatsheet Geschichte und Entwicklung der Künstlichen Intelligenz Definition: Geschichte und Entwicklung der KI: Evolution von symbolischer KI, neuronalen Netzen zu Deep Learning. Details: 1956: Geburtsjahr der KI (Dartmouth-Konferenz) Symbolische KI und Expertensysteme (1950er-1980er) Erste KI-Winter (1970er und 1980er Jahre) Aufstieg neuronaler Netze und Machine Learning (1980er-2000er...

© StudySmarter 2024, all rights reserved.

Seminar - Cheatsheet

Geschichte und Entwicklung der Künstlichen Intelligenz

Definition:

Geschichte und Entwicklung der KI: Evolution von symbolischer KI, neuronalen Netzen zu Deep Learning.

Details:

  • 1956: Geburtsjahr der KI (Dartmouth-Konferenz)
  • Symbolische KI und Expertensysteme (1950er-1980er)
  • Erste KI-Winter (1970er und 1980er Jahre)
  • Aufstieg neuronaler Netze und Machine Learning (1980er-2000er)
  • Erfolge im Deep Learning durch GPU-Verbesserungen und Big Data (2010er)
  • Aktuelle Trends: Reinforcement Learning, Explainable AI, Selbstüberwachtes Lernen

Überwachte und unüberwachte Lernmethoden im Machine Learning

Definition:

Überwachte (supervised) und unüberwachte (unsupervised) Lernmethoden sind die Hauptkategorien im Machine Learning; überwachte Lernmethoden benötigen gelabelte Trainingsdaten, unüberwachte Lernmethoden nicht.

Details:

  • Überwachtes Lernen:
    • Trainingsdaten mit bekannten Labels.
    • Ziel: Modellierung der Beziehung zwischen Eingaben und Ausgaben.
    • Beispiele: Lineare Regression, Entscheidungsbäume, Neuronale Netze.
  • Unüberwachtes Lernen:
    • Keine gelabelten Daten.
    • Ziel: Muster und Strukturen in den Daten finden.
    • Beispiele: K-Means Clustering, Principal Component Analysis (PCA), Anomalieerkennung.
  • Wesentliche Unterschiede:
    • Label-Verfügbarkeit bei Trainingsdaten.
    • Ziele der Datenanalyse und -modellerstellung.

Verteilte Datenverarbeitungssysteme (Hadoop und Spark)

Definition:

Verteilte Datenverarbeitungssysteme wie Hadoop und Spark sind Software-Frameworks zur Verarbeitung und Analyse von großen Datenmengen verteilt über viele Computer in einem Cluster.

Details:

  • Hadoop: Open-Source-Framework, basiert auf dem MapReduce-Algorithmus.
  • Spark: Schnelleres In-Memory-Verarbeitungsframework, bietet APIs in Scala, Java, Python und R.
  • Hadoop-Komponenten: HDFS (Hadoop Distributed File System) und YARN (Yet Another Resource Negotiator).
  • Spark-Komponenten: Spark Core, Spark SQL, Spark Streaming, MLlib (Machine Learning Library), GraphX.
  • HDFS: Blockspeicherung, Replikation zur Ausfallsicherheit.
  • YARN: Ressourcenmanagement, Job Scheduling.
  • MapReduce: Verteilte Berechnung in zwei Phasen – Mapping und Reducing.
  • RDD (Resilient Distributed Dataset): Zentrales Konzept in Spark für fehlertolerante verteilte Daten.
  • Spark optimiert durch DAG (Directed Acyclic Graph) und In-Memory Verarbeitung.

Objekterkennung in der Computervision

Definition:

Automatische Identifikation und Klassifikation von Objekten in Bildern oder Videos.

Details:

  • Verwendung von Algorithmen und Modellen wie CNNs.
  • Bestandteile: Merkmalsextraktion, Klassifizierung.
  • Verfahren: Region Proposal Networks (RPN), YOLO, SSD.
  • Loss-Funktion häufig: Kreuzentropie-Verlust \[ L_{CE} = - \sum (y \log(\hat{y})) \]
  • Wichtige Metriken: Genauigkeit, Präzision, Recall.

Fortgeschrittene ML-Konzepte wie Deep Learning und Reinforcement Learning

Definition:

Fortgeschrittene ML-Konzepte, die darauf abzielen, komplexe Muster zu erkennen und Entscheidungen zu optimieren.

Details:

  • Deep Learning (DL): Einsatz mehrschichtiger neuronaler Netze (NN) zur Erkennung komplexer Muster und Merkmale.
    • Neuronale Netze: Funktionseinheiten in Schichten organisiert.
    • Aktivierungsfunktion: Bsp. Sigmoid, Tanh, ReLU.
    • Optimierung: Gradient Descent, Backpropagation.
    • Frameworks: TensorFlow, PyTorch.
  • Reinforcement Learning (RL): Trainingsmethode basierend auf Belohnungen und Bestrafungen.
    • Agent: Entscheidungsinstanz.
    • Umgebung: Das zu steuernde System.
    • Policy: Strategie der Entscheidungsfindung.
    • \textit{Q-Learning:} Off-policy RL-Algorithmus zur Bestimmung optimaler Aktionen.
    • Belohnung (Reward): Feedback Mechanismus, z.B. Gewinn.
    • Markov-Entscheidungsprozess: Mathematisches Modell zur Entscheidungsfindung.

Ethische und gesellschaftliche Auswirkungen von KI

Definition:

Untersucht, wie KI-Technologien ethische Grundsätze und soziale Strukturen beeinflussen.

Details:

  • Bias und Diskriminierung: KI-Systeme können vorhandene Vorurteile verstärken.
  • Transparenz: Erklärbarkeit und Nachvollziehbarkeit von KI-Entscheidungen.
  • Arbeitsmarkt: Automatisierung kann zu Arbeitsplatzverlusten und neuen Jobprofilen führen.
  • Privatsphäre: Umgang mit sensiblen persönlichen Daten.
  • Sicherheit: Risiken durch fehlerhafte oder missbräuchlich verwendete KI-Systeme.

Datenanalyse- und Visualisierungstechniken bei Big Data

Definition:

Techniken zur Analyse und Visualisierung großer Mengen von Daten, um Muster, Trends und Erkenntnisse zu extrahieren, die zur Entscheidungsfindung genutzt werden können.

Details:

  • Technologien: Hadoop, Spark, NoSQL-Datenbanken
  • Analytische Methoden: Machine Learning, Data Mining, statistische Analyse
  • Visualisierungstools: Tableau, Power BI, D3.js
  • Verwendung von Algorithmen wie k-Means, Decision Trees und Neural Networks
  • Datenvorverarbeitung: Bereinigung, Transformation, Reduktion
  • Skalierbare Datenverarbeitung mithilfe von verteilten Systemen
  • Nutzung von \texttt{matplotlib}, \texttt{seaborn}, und \texttt{plotly} für Visualisierungen in Python

Bewegungserkennung und -verfolgung in der Computervision

Definition:

Bewegungserkennung und -verfolgung analysiert Sequenzen von Bildern oder Videodaten, um Bewegungen zu erkennen und Objekte zu verfolgen.

Details:

  • Erkennung von Bewegungsvektoren und Veränderungen mithilfe von Algorithmen wie Optical Flow und Frame Differencing
  • Verfolgungstechniken wie Kalman-Filter, Particle-Filter und Multiple Hypothesis Tracking (MHT)
  • Verwendung neuronaler Netze zur Verbesserung der Genauigkeit
  • Anwendungen: Überwachung, autonome Fahrzeuge, Sportanalysen
  • Wichtige Metriken: Genauigkeit, Rechenzeit, Robustheit gegenüber Störungen
Sign Up

Melde dich kostenlos an, um Zugriff auf das vollständige Dokument zu erhalten

Mit unserer kostenlosen Lernplattform erhältst du Zugang zu Millionen von Dokumenten, Karteikarten und Unterlagen.

Kostenloses Konto erstellen

Du hast bereits ein Konto? Anmelden