Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

10.3.2004IT meets science1 Lernende Software Priv.Doz. Dr. Barbara Hammer, Forschernachwuchsgruppe Lernen mit Neuronalen Methoden auf Strukturierten Daten,

Ähnliche Präsentationen


Präsentation zum Thema: "10.3.2004IT meets science1 Lernende Software Priv.Doz. Dr. Barbara Hammer, Forschernachwuchsgruppe Lernen mit Neuronalen Methoden auf Strukturierten Daten,"—  Präsentation transkript:

1 IT meets science1 Lernende Software Priv.Doz. Dr. Barbara Hammer, Forschernachwuchsgruppe Lernen mit Neuronalen Methoden auf Strukturierten Daten, Universität Osnabrück

2 IT meets science2 Lernende Software Wozu? Wie? Wer?

3 IT meets science3 Wozu …

4 IT meets science4 Lernende Software – wozu? Das Programm lernt anhand von Beispielen, persönlich wichtige s von spam zu unterscheiden.

5 IT meets science5 Lernende Software – wozu? Eine komplexe industrielle Anlage An dieser Stelle könnte eine sensorgesteuerte Qualitätsüberwachung stehen, die automatisch Fehlfabrikationen erkennt.

6 IT meets science6 Lernende Software – wozu? Der Zeitungskiosk um die Ecke Helfen könnte eine Prognose des zu erwartenden Abverkaufs.

7 IT meets science7 Lernende Software – wozu? Ein Kreditinstitut Eine automatische Analyse der Kreditwürdigkeit des Kunden hätte das verhindert.

8 IT meets science8 Lernende Software – wozu? Lernen bei zu automatisierenden Problemen die nicht exakt modelliert werden können die evtl. sogar regelmäßig nachgebessert werden müssen für die Beispieldaten vorhanden sind

9 IT meets science9 Wie …

10 IT meets science10 … abstrakt

11 IT meets science11 Lernende Software – wie? Eingabe Informationsverarbeitung im Gehirn auf der Basis von Erfahrungswissen Ausgabe

12 IT meets science12 Lernende Software – wie? Eingabe Ein künstliches Neuronales Netz Ausgabe

13 IT meets science13 Lernende Software – wie? Ein künstliches Neuronales Netz Eingabe Ausgabe Betriebsmodus:... ein Stück Software, das zu einer gegebenen Eingabe die gewünschte Ausgabe liefert... durch das Zusammenspiel einfacher Basiselemente, der künstlichen Neuronen, kann ein komplexer nichtlinearer Zusammenhang realisiert werden

14 IT meets science14 Lernende Software – wie? Ein künstliches Neuronales Netz Eingabe Ausgabe Lernmodus:... die Basiselemente und deren Zusammenspiel werden nicht programmiert, sondern gelernt... automatische Lernprogramme können die Parameter des Netz´ so einstellen, daß es auf gegebenen Beispieldaten ein korrektes Verhalten zeigt

15 IT meets science15 Lernende Software – wie? Ein künstliches Neuronales Netz Eingabe Ausgabe Lernmodus - Testbetrieb:... um sicher zu gehen, daß das Netz korrekt funktioniert, testet man das Verhalten auf repräsentativen Beispieldaten, die nicht zum Training verwandt wurden... der Testfehler schätzt die Anzahl der Fehler im laufenden Betrieb

16 IT meets science16 … ein Beispiel

17 IT meets science17 Lernende Software – wie? spam oder nicht spam Vorverarbeitung Betriebsmodus: Lernmodus: Beispiele von spam und nicht-spam mails Lernprogramm

18 IT meets science18 Lernende Software – wie? spam oder nicht spam Vorverarbeitung Testbetrieb: Beispiele von spam und nicht-spam mails ???

19 IT meets science19 … Klassifikation von Spektraldaten thanks: Dr. Thomas Villmann

20 IT meets science20 Lernende Software – wie? Klassifikation von Spektraldaten Klassifikation der Vegetationsform in: Pinien Fichten Mischwald Wasser Grasland Alpin Trockenboden...

21 IT meets science21 Lernende Software – wie? LANDSAT TM Satelliten-basierte Sensoren liefern Charaketeristika für 6 relevante Spektralbereiche mit einer Auflösung von 30x30m 2 Wasser Vegetation Boden

22 IT meets science22 Lernende Software – wie? LANDSAT TM Daten für eine Gegend von Colorado, 1907x1784 Pixel

23 IT meets science23 Lernende Software – wie? 6-dim Spektraldaten eines Pixels Vegetationsform trainiert für 5% der Fläche Fehler im Testbetrieb für die gesamte Fläche: < 9%

24 IT meets science24 Lernende Software – wie?

25 IT meets science25 … Prognose des Regenabfluß thanks: Dipl.Systemwiss. Marc Strickert Prof. Dr. Holger Lange

26 IT meets science26 Lernende Software – wie? Großlysimeter St.Arnold 20x20m 2 3.5m

27 IT meets science27 Lernende Software – wie? Aufgabe: prognostiziere aus den letzten k Werten den Regenabfluß für den nächsten Tag ?

28 IT meets science28 Lernende Software – wie? Ergebnis: 82% richtige Klassifikation auf der Trainingsmenge 70% richtige Klassifikation auf der Testmenge

29 IT meets science29 Lernende Software – wie? Langzeitprognose

30 IT meets science30 … Fehlererkennung bei Kolbenmaschinen thanks: Dipl.Systemwiss. Thorsten Bojer Prognost Systems GmbH

31 IT meets science31 Lernende Software – wie? Online-Fehlererkennung bei Kolbenmaschinen

32 IT meets science32 Lernende Software – wie? Fehlerdetektion aufgrund von Sensorsignalen zeitabhängige Signale: Druck, Schwingungen Prozeß- Characteristiken Merkmale des pV Diagramms … Sensoren

33 IT meets science33 Lernende Software – wie? Daten je nach Maschinenbestückung ca. 30 Zeitreihen mit je 36 Einträgen, je 6 Werte ca. 20 Auswertungen pro Zeitintervall ca. 40 globale Merkmale ca. 15 Klassen, wenige (~100) Trainingsmuster MaschineKlassifikationsgüte des neuronalen Netz` 1, train test 98.2 ( ) 97.2 ( ) 2, train test 99.1 ( ) 97.7 ( )

34 IT meets science34 … abstrakt

35 IT meets science35 Lernende Software – wie? Bereitstellen von Beispieldaten Vorverarbeitung der Daten Training eines Netzes Testbetrieb ein fertiges neuronales Netz zur Modellierung des Zusammenhangs Eingabe/Ausgabe eine Umgebung, die das automatische Training eines geeigneten Netz´ ermöglicht

36 IT meets science36 Wer …

37 IT meets science37 Lernende Software – wer? Trainingsprogramme für Neuronale Netze gibt es frei verfügbar (Hochschulentwicklungen), in Lizenzsoftware integriert (z.B. Mathematica, Matlab,...) oder als eigen- ständige käuflich erwerbliche Tools (z.B. von Siemens). Es gibt viele verschiedene Modelle Neuronaler Netze für verschiedenste Aufgaben. Das Training Neuronaler Netze erfordert Kenntnisse über das prinzipielle Vorgehen, in der Regel sind spezielle Adaptationen nötig. Der Betrieb eines fertig trainierten Netz´ erfordert keine Vorkenntnisse und ist in beliebige Programme integrierbar.

38 IT meets science38 Lernende Software – wer? Bereitstellen von Beispieldaten Vorverarbeitung der Daten Training eines Netzes Testbetrieb ein fertiges neuronales Netz zur Modellierung des Zusammenhangs Eingabe/Ausgabe eine Umgebung, die das automatische Training eines geeigneten Netz´ ermöglicht... IT... IT/science... science Ein Programm in beliebiger Programmiersprache, das unabhängig benutzt werden kann Erfordert in der Regel eine speziell entwickelte Umgebung und ein paar Kenntnisse in der Anwendung.

39 IT meets science39 Lernende Software – wer? Neuronale Netze sind ein ideales Gebiet für IT-Science Kooperationen im Rahmen von Diplom- und Masterarbeiten Praktika Projekten Auftragsarbeiten

40 IT meets science40 Lernende Software – wer? Universität Osnabrück – Mathematik/Informatik Forschernachwuchsgruppe LNM – B.Hammer, K.Gersmann, M.Strickert Gruppe Neuroinformatik – Prof.M.Riedmiller


Herunterladen ppt "10.3.2004IT meets science1 Lernende Software Priv.Doz. Dr. Barbara Hammer, Forschernachwuchsgruppe Lernen mit Neuronalen Methoden auf Strukturierten Daten,"

Ähnliche Präsentationen


Google-Anzeigen