Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Quo vadis Informatik? Bindestrichinformatik – Zerreißprobe Maschinelles Lernen / Pattern Recognition Barbara Hammer, Institute of Informatics, Clausthal.

Ähnliche Präsentationen


Präsentation zum Thema: "Quo vadis Informatik? Bindestrichinformatik – Zerreißprobe Maschinelles Lernen / Pattern Recognition Barbara Hammer, Institute of Informatics, Clausthal."—  Präsentation transkript:

1 Quo vadis Informatik? Bindestrichinformatik – Zerreißprobe Maschinelles Lernen / Pattern Recognition Barbara Hammer, Institute of Informatics, Clausthal University of Technology

2 Barbara Hammer Institut of Informatics 2 Quo vadis Informatik? Clausthal - Zellerfeld Brocken

3 Barbara Hammer Institut of Informatics 3 Quo vadis Informatik? GS-Z-12 ??? GS-Z-13 GS-Z-14

4 Barbara Hammer Institut of Informatics 4 Quo vadis Informatik? GS-H-99GS-CT-4GS-Z-14GS-G-42GS-A-11GS-K-11 Ein Fall für maschinelles Lernen / Pattern Recognition: Schnee-gestörte Nummernschildern lesen.

5 Barbara Hammer Institut of Informatics 5 Quo vadis Informatik? Maschinelles Lernen / Pattern Recognition machine learning = teach your computer/machine to improve its performance based on experience (Mitchell) pattern recognition = low level KI, neuronale Netze/statistische Methoden auf der Basis von verteilter Information schmutzige KI

6 Barbara Hammer Institut of Informatics 6 Quo vadis Informatik? Eigenschaften ML ermöglicht -allgemeine Lösungen: entwickelt Lernmethoden für technische Systeme, sich Information und geeignete Darstellungen anzueignen -adaptive Lösungen: entwickelt Lernmethoden, um aus problemspezifischen Beispielen problemspezifische Information zu generieren -selbst adaptierende Lösungen: lebenslanges automatisiertes Lernen -robuste Lösungen: basierend auf verteilter Informationsdarstellung, redundant, parallel -effiziente Lösungen: neue Lösungen benötigen nur Trainingsbeispiele und Lernalgorithmus, skalierbar dieses ist zentral / natürlich in ML realisiert ML ist zentral für die junge Informatik

7 Barbara Hammer Institut of Informatics 7 Quo vadis Informatik? Zerreißprobe ML klassische KI Mathematik Anwendungen in der Informatik Biologie Gesellschaft Anwendungen außerhalb der Informatik

8 Barbara Hammer Institut of Informatics 8 Quo vadis Informatik? Biologie biologische neuronale Netze künstliche neuronale Netze -Perzeptron, MLP Ratenkodierung der Signale -spikende Netze Pulskodierung -SOM Selbstorganisation, winner-takes-all biologische Lernprinzipien: Hebbsches Lernen, vielfach mathematisch nachgebildet Lernen aus der Biologie mithilfe der richtigen Abstraktion Bsp: SVM RNNs – klassisches Backpropagation bis heute erfolglos, biologische Alternative: festes rekurrentes Reservoir

9 Barbara Hammer Institut of Informatics 9 Quo vadis Informatik? Mathematik statistische Lerntheorie Verifikation/Validierung von Modellen als Black-Box Algorithmen Lücke Theorie-Praxis: verschiedene Tagungen, verschiedene betrachtete Modelle, irrelevante Schranken Kapazität (insbesondere rekurrenter) neuronaler Netze gliedert sich nicht in klassische Theorien (wie Chomsky) ein, Lernbias unklar, Bedeutung für konkrete Anwendungen unklar ( non-uniform-boolean-circuits, Blum-Shub-Smale Modell, definite memory machines, …) formale Modelle in Bezug auf kognitive Fähigkeiten sind nötig

10 Barbara Hammer Institut of Informatics 10 Quo vadis Informatik? Anwendungen in der Informatik Erkennung handgeschriebener Ziffern (>97%) Spam Filter (meiner ist klasse ;-) Robotik und Computer Vision (inverse Kinematik, Repräsentation kontinuierlicher Umgebung, Bildinterpretation, …) Computergrafik (Szenenanalyse, …) Data Mining (WebSOM, …) Computerlinguistik (Erkennen gesprochener Sprache, …) Neuroscience (Erklärung kognitiver Fähigkeiten) Bioinformatik (Interpretation von Daten aus High-throughput Verfahren wie Microarrays / Spektren, …) Medizininformatik (Medizinische Bildverarbeitung, …) Wirtschaftsinformatik (Prognose von wasauchimmer,…) …

11 Barbara Hammer Institut of Informatics 11 Quo vadis Informatik? Anwendungen außerhalb der Informatik Prognose: Wetterdaten, Abverkäufe, Börsendaten, … Überwachung/Steuerung industrieller Anlagen Auswertung von Messdaten (Sonden für Landminen, …) Bilderkennung (militärischer Bereich, Umweltbereich, …) … Pattern Recognition in der Regel ein kleiner, aber vitaler Anteil oft eher einfache (veraltete) Technologie verwandt häufig mühsame Adaptation der Eingabe (Vorverarbeitung) nur statistische Verifikation wird von Praktikern/Ingenieuren oft nicht akzeptiert (zumindest nicht, wenn das Modell offensichtlich ein Black Box Mechanismus ist) komfortablere/universelle/selbst adaptierende I/O nötig Interpretierbarkeit der Modelle nötig

12 Barbara Hammer Institut of Informatics 12 Quo vadis Informatik? Anwendungen innerhalb ML eine Stelle / Leistungszulage / Drittmittel Publikationen neue Algorithmen es existiert ein Zoo von Algorithmen (ohne adäquate Implementation) benchmarks z.B. UCI, verschiedene contests, RoboCup, … data set selection problem ordentliche Grundausstattung, faire Möglichkeiten für Stellen / Drittmittel, sinnvolle Leistungskriterien

13 Barbara Hammer Institut of Informatics 13 Quo vadis Informatik? Gesellschaft Computers will take over? Noch nicht, aber Einsatz / Einsatzmöglichkeit von black box Mechanismen in kritischen Bereichen (Medizinische Diagnose, Kreditwürdigkeitsprognose, Biometrische Datenanalyse, Analyse von Proteom-Daten,...) Möglichkeit, Individuen zu überwachen / kategorisieren (market basket analysis, personalisierte Empfehlungen, einfache Analyse großer personalisierter Datenmengen durch wenauchimmer …) Menschliches Expertenwissen wird automatisierbar

14 Barbara Hammer Institut of Informatics 14 Quo vadis Informatik? Klassische KI liefert im Gegensatz zu schmutziger KI interpretierbare Modelle ist aber langsam oder funktioniert nicht in realen Umgebungen symbolisch/subsymbolische Integration nötig rekurrente neuronale Strukturen müssen verstanden werden

15 Barbara Hammer Institut of Informatics 15 Quo vadis Informatik? ML ist zentral für die junge Informatik Lernen aus der Biologie mithilfe der richtigen Abstraktion Verifikation/Validierung von Modellen als Black-Box Algorithmen ordentliche Grundausstattung, faire Möglichkeiten für Stellen / Drittmittel, sinnvolle Leistungskriterien formale Modelle in Bezug auf kognitive Fähigkeiten sind nötig komfortablere/universelle/selbst adaptierende I/O nötig Interpretierbarkeit der Modelle nötig symbolisch/subsymbolische Integration nötig rekurrente neuronale Strukturen müssen verstanden werden

16 Barbara Hammer Institut of Informatics 16 Quo vadis Informatik? GS-H-99GS-CT-4GS-Z-14GS-G-42GS-H-99GS-K-11GS-A-11 Dank Informatik


Herunterladen ppt "Quo vadis Informatik? Bindestrichinformatik – Zerreißprobe Maschinelles Lernen / Pattern Recognition Barbara Hammer, Institute of Informatics, Clausthal."

Ähnliche Präsentationen


Google-Anzeigen