Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Seminarankündigung für das SS04 Empfehlungssysteme in E-Commerce und E-Business: Methoden und Herausforderungen.

Ähnliche Präsentationen


Präsentation zum Thema: "Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Seminarankündigung für das SS04 Empfehlungssysteme in E-Commerce und E-Business: Methoden und Herausforderungen."—  Präsentation transkript:

1 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Seminarankündigung für das SS04 Empfehlungssysteme in E-Commerce und E-Business: Methoden und Herausforderungen PD Dr. Oliver Wendt Blockseminar Juni 2004 Status quo der Verwendung von Recommender Systems und Einordnung in die Marketing-Theorie Darstellung der verwendeten Methoden: content based filtering, collaborative filtering, data mining, social network analysis etc. Architekturen für die Gestaltung von Datenschutz- und Anreiz- problemen Themenvorschläge und Anmeldung (bis zum 30.4.) unter

2 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Künstliche Neuronale Netze

3 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Künstliche Neuronale Netze Selbständige Entwicklung von (subsymbolischen) IV-Fähigkeiten als adaptive Reaktion auf eine Informationsumgebung –parallel –verteilt

4 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Definition Ein neuronales Netz ist ein gerichteter Graph mit folgenden Eigenschaften: –Jedem Punkt ist ein Speicher zugeordnet. –Jede Kante fungiert als unidirektionaler Signalpfad. –Die von einem Punkt ausgehenden Signale sind auf allen Kanten identisch. –Jedem Punkt ist eine Transferfunktion zugeordnet. Diese ordnet den Ausgangsknoten, abhängig vom Speicherinhalt und den eingehenden Signalen, ein Ausgangssignal zu. –In der Lernphase kann eine Subfunktion einem Speicher, abhängig vom bisherigen Inhalt, abhängig von einem Präsentationswert sowie abhängig von den eingehenden Signalen, einen neuen Wert zuweisen.

5 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Das Neuron

6 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Eigenschaften der KNN Lernfähigkeit Verallgemeinerungsfähigkeit Assoziationsfähigkeit Robustheit Massiv parallele Informationsverarbeitung

7 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Anwendungsgebiete der KNN Mustererkennung Spracherkennung Signalverarbeitung Maschinelles Lernen, Expertensysteme Diagnose Vorhersage Optimierung Steuerung, Regelung

8 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Bedeutung von Lernen in KNN die Gewichte der Verbindungen zwischen den Neuronen modifizieren ein neues Neuron kreieren ein Neuron zerstören

9 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Lernmethoden in KNN Supervised Learning (Überwachtes Lernen) –Das vom KNN gelieferte Output wird mit dem gewünschten Output verglichen; –das KNN wird anhand von diesem Unterschied trainiert. Reinforcement Learning (Kritiker Lernen) –Das vom KNN gelieferte Output erhält eine Bewertung; –das KNN wird anhand von dieser Bewertung trainiert. Unsupervised Learning –Dem Netz werden nur Inputs präsentiert. Während der Trainingsphase werden die Gewichte der Neuronen –so geändert, dass die Trainingsbeispiele in korrelierten Kategorien (Cluster) organisiert werden.

10 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Das Neuron (Begriffe) Dendriten:Eingabeeinheit, Empfang der Signalimpulse Zellkörper: Verarbeitungseinheit wird aktiviert, wenn Summe aller Dendritensignale eine Schwelle überschreitet Axon:Ausgabeeinheit - leitet Aktivierungsimpuls zu anderen Neuronen Synapse: Kontaktpunkt zwischen Axon und Dendrit des nächsten Neurons Biologisches neuronales Netz := miteinander verbundene Nervenzellen (Neuronen) der Hirnrinde (Neocortex) kommunizieren per elektrischer Impulse

11 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 x1x1 x2x2 y 1 = f (w 1 x 1 +w 2 x 2 +b 1 ) y1y1 w1w1 w2w2 Input Output Künstliches Neuronales Netz (schematisches Neuron)

12 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 y1y1 y2y2 z1z1 x1x1 x2x2 w1w1 w2w2 w 11 w 12 w 21 w 22 Output w 11 w 12 w 21 w 22 Neuronales Netz (Multi-Layered-Perceptron)

13 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 y1y1 y2y2 x1x1 x2x2 w1w1 w2w2 Diskrete Ergebnisse: w 11 w 12 w 21 w 22 Output d ( x 1, x 2 ) y 1 = F (w 1 x 1 +w 2 x 2 +b 1 ) { -1, 1} Neuronales Netz (Feed Forward)

14 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Sigmoid Funktion y j = arctan ( w ij x i ) Neuronales Netz (Feed Forward)

15 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Lernregeln Neuronales Netz (Feed Forward)

16 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 weight matrix 1 weight matrix 2 x1x1 x5x5 x2x2 x3x3 x4x4 x 10 x7x7 x6x6 x9x9 x8x8 hidden layeroutput layer Ausgangssignal input layer Neuronales Netz (Feed Forward)

17 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Lerntheorie Neuron-Wichtungsvektor: Netzwerk-Wichtungsvektor: Netzwerk-Funktion:

18 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Lerntheorie Um eine Funktion A(x) zu approximieren, muß der quadratische Fehler F(w) auf dem von allen Inputparametern aufgespannten Volumen V (also dem u.U. hochdimensionalen Parameterraum) unter Berücksichtigung der Dichte p minimiert werden: Unter Berücksichtigung dieses allgemeinen Lerngesetzes lassen sich topologie-spezifische Lernregeln aufstellen. Man unterscheidet:

19 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Lerntheorie supervised learning –Netzwerk funktioniert als Input/Output-System (ggf. interpolierend) –entweder:beim Lernen werden die korrekten (gewünschten) Input/Output-Paare verwendet –oder: die Anpassung des Gewichtungsvektors orientiert sich an einem Bewertungsmaß competitive learning (self organization, keine separate Lernphase) –bei jedem Lernschritt kommt es zu einem "Wettbewerb zwischen den Neuronen des Netzwerks –der "Gewinner" darf seinen Gewichtungsvektor anpassen

20 Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Anwendungen Assoziative Netze –Assoziativspeicher –Klassifikator (z.B. Kreditwürdigkeitsprüfung) Abbildungsnetze –Transformation –Nicht-lineare Regression (KNN mit 1 hidden layer können jeden funktionalen Zusammenhang abbilden!) Selbstorganisierende Netze zur Optimierung


Herunterladen ppt "Entscheidungsunterstützungssysteme IWI Frankfurt 2004 Seminarankündigung für das SS04 Empfehlungssysteme in E-Commerce und E-Business: Methoden und Herausforderungen."

Ähnliche Präsentationen


Google-Anzeigen