Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
1
Emanuel Mistretta Lukas Schönbächler
Neuronale Netze & OCR Emanuel Mistretta Lukas Schönbächler
2
Agenda Was sind neuronale Netze? Modelle für ANN Lernverfahren
Neuronales Netz - Schritt für Schritt Neuronales Netz Veranschaulicht Anwendungsgebiete Anwendungsgebiet Schrifterkennung / OCR Demo OCR
3
Was sind neuronale Netze?
Model unseres Gehirnes und Nervensystem Gebilde aus verknüpften Knotenpunkten Stark parallelisiertes Gebilde. Nicht wie Computer -> Seriell Kann wie das menschliche Gehirn “Lernen” Simples Prinzip -> Komplexes Verhalten Verschiedene Modelle, Angehensweisen
4
Was sind neuronale Netze?
Neuronen zeigen Synapsen zeigen Input zeigen nur ganz kurz anschneiden
5
Modelle für Neuronale Netze
Feedforward Unidirektionaler Datenfluss 1- Mehrschichtige Node-Layer
6
Modelle für Neuronale Netze
Recurrent Bidirektionaler Datenfluss 1- Mehrschichtige Node-Layer Zyklisch Kann dadurch Gedächtnis simulieren
7
Verschiedene Lernverfahren
Überwachtes Lernen (Supervised Learning) “Lehrer” kennt für jeden Input richtigen Output Unüberwachtes Lernen (Unsupervised Learning) Es gibt kein richtig oder falsch für Outputs. Daten werde z.B zu einem Cluster gefasst. Netz erkennt “Ähnlichkeiten”. Bestärkendes Lernen (Reinforcement Learning) System lern z.B selbst ein Spiel zu spielen. Es kennt lediglich den Score und Game Over. Es führt nun Aktionen aus und optimiert diese um den Score zu erhöhen.
8
Neuronales Netz - Schritt für Schritt
Jede Synapse /Verbindung hat eine Gewichtung. ABER Wie entscheidet C was es als Input nehmen soll? A oder B?
9
Neuronales Netz - Schritt für Schritt
Jede Node hat Funktion um “wichtigkeits” Wert von Input zu rechnen. Normalerweise nimmt Node den Durschnitt der Inputs als Wert f(x) wird Transfer-Funktion genannt
10
Neuronales Netz - Schritt für Schritt
? ? Wie wird aber das Gewicht ermittelt?
11
Neuronales Netz - Schritt für Schritt
Gewichte werden randomisiert verteilt 0.5 0.5 0.4 0.8 0.2 0.6 0.2 Jede Node hat Funktion um “wichtigkeits” Wert von Input zu rechnen. Normalerweise nimmt Node den Durschnitt der Inputs als Wert f(x) wird Transfer-Funktion genannt
12
Neuronales Netz - Schritt für Schritt Backpropagation
13
Neuronales Netz - Schritt für Schritt
Für den Input wird jeweil der erwartete Output (Node E) berechnet
14
Neuronales Netz - Schritt für Schritt
Nun werden die berechneten Werte dem erwarteten Wert abgezogen. Diese Differenz heisst Fehler.
15
Neuronales Netz - Schritt für Schritt
Nun werden die berechneten Werte dem erwarteten Wert abgezogen. Diese Differenz heisst Fehler. Zur Veranschaulichung wurden Zahlen verwendet. 35 23 12
16
Neuronales Netz - Schritt für Schritt
Über die Funktion f(x)* werden die neuen Gewichtungen berechnet. *f(x) basiert auf: Alte Gewichtung, Node Input, Error und Lern-Rate
17
Neuronales Netz - Schritt für Schritt
Nun wird nochmals mit den neuen Gewichten berechnet. Der Error wird evaluiert und die Backpropagation findet wieder statt. Dieser Prozess wird wiederholt bis die Fehlerquote minimal ist bzw. der berechnete Wert dem erwarteten Wert gleicht.
18
Neuronales Netz - Schritt für Schritt
Dieses Verfahren benötigt viel Zeit. Lösung: Mehr Nodes Lern-Rate anpassen
19
Neuronales Netzwerk Veranschaulicht
20
Anwendungsgebiete Texterkennung Bilderkennung Klassifizierung
Schrifterkennung (Optical Character Recognition / OCR) Bilderkennung Klassifizierung Stimmerkennung KI für Spiele Medizinische Diagnostik Sprachübersetzung (Google Translate)
21
Anwendungsgebiet Bilderkennung
22
Anwendungsgebiet Bilderkennung
23
Anwendungsgebiet Bilderkennung
24
Anwendungsgebiet Bilderkennung
25
Anwendungsgebiet Bilderkennung
26
Anwendungsgebiet Bilderkennung
27
Anwendungsgebiet Bilderkennung
28
Demo OCR (Optical Character Recognition)
Kurze Erklärung wie das Funktioniert -> evtl. an Tafel
29
Fazit Daten müssen entsprechend vorbereitet sein
Netzwerk kann je nach Algorithmus nur erkennen was trainiert wurde Kann sehr langsam sein Interessante Projekte Braucht viel Rechenpower In kommenden Jahren mehr und mehr im medizinischen und finanziellen Umfeld Riesiges Themengebiet mit einem grossen Anwendungspektrum
30
Quellen
Ähnliche Präsentationen
