Vertiefung Künstliche Intelligenz

Im Einblick in Künstliche Intelligenz haben wir die Grundbegriffe zum Thema KI kennengelernt. Weißt du nicht mehr, was es mit dem Begriff KI (schwach und stark) auf sich hat. Dann ließ doch einfach nochmal nach.

Im Folgenden werden wir die Begriffe vertiefen, um dann eigene KI-Anwendungen umzusetzen. Das besondere an KI-Anwendungen im Vergleich zu klassischen Anwendungen ist das Lernen. Dabei werde 3 Lernverfahren unterschieden.

Aufgabe 1: Wiederholen Sie mit folgenden Fachtext die Lernverfahren Überwachtes Lernen (supervised learning), Verstärkendes Lernen (reinforcement learning) und Unüberwachtes Lernen (unsupervised learning): https://computingeducation.de/proj-ml-uebersicht/

Als Beispiel betrachten wir die Affen eines Zoos (Material von https://coding-for-tomorrow.de/konzepte/ki-analog/). Wir wollen ein System implementieren, dass vorhersagt, ob ein Affe beißt oder nicht.

Aufgabe 2: Gegen sind folgende Daten. Diese Enthalten die Merkmale (Features wie Aussehen Augen/Mund) eines Affen und die Information (Label), ob ein Affe beißt oder nicht. Welche Merkmale würden Sie nacheinander betrachten, um zu entscheiden ob ein Affe beißt oder nicht.

Die Struktur zur Abbildung solcher Entscheidungsprozesse nennt sich Entscheidungsbaum. Dieser kann manuell von Expertinnen erstellt werden. Man spricht dann von einer symbolischen KI oder einem Expertensystem. Der Vorteil solcher Systeme ist, dass die Entstehungs- und Entscheidungsprozesse nachvollziehbar und erklärbar ist. Für viele Probleme ist eine manuell Erstellung allerdings sehr aufwendig. Maschinelles Lernen automatisiert dies Lernprozesse. Systeme lernen aus Beispieldaten, ohne explizite Regeln.

Auf unser Affen-Beispiel angewendet, können im supervised Learning Algorithmen aus gelabelte Daten Entscheidungsbäume erstellen.

Aufgabe 3: Seht euch folgendes Video zu den Grundbegriffen Klassifizierung / Regression / Clustering an und haltet Sie im Hefter fest.

Weitere Lernmodelle

Neben dem Entscheidungsbaum existieren viele weitere Modell. Schauen wir uns diese einmal interaktiv an.

lineare Regression	https://www.hartundtrocken.de/my-product/interaktiv-lineare-regression/ https://www.hartundtrocken.de/my-product/interaktiv-multiple-lineare-regression/
künstliche Neuronale Netze	https://www.hartundtrocken.de/my-product/interaktiv-neuronales-netz/ https://www.hartundtrocken.de/my-product/interaktiv-klassifikation-mit-neuronalem-netz/
K-Means	https://www.hartundtrocken.de/my-product/interaktiv-k-means-algorithmus/
K-Nearest-Neighbours:	https://www.hartundtrocken.de/my-product/interaktiv-k-nearest-neighbours-algorithmus-in-aktion/ https://www.hartundtrocken.de/my-product/interaktiv-der-k-nearest-neighbours-algorithmus

Umsetzung mit Orange

Wir werden Lernverfahren / Modelle mit dem Werkzeug Orange implementieren.

Beispielprojekte Orange: https://pumice.si/en/

Beispiel Verbrecher in Philadelphia: https://www.herr-rau.de/wordpress/2022/05/orange-data-mining.htm

Videos / Tutorials zu Orange: https://www.youtube.com/orangedatamining

Projekt

Alles klar? Dann lasst uns in Projekt starten. Bewertungskriterien

• Projektbeschreibung
• Präsentation
  • Datenbeschreibung
  • Modellauswahl begründung
  • Vorgehen beschreiben
  • Validierung des Modells

• Problem finden
• geeignetes Lernverfahren festlegen
• Datensammlung, -strukturierung, -aufteilung
• Implementierung KI-System mit Orange
• Training des Modells
• Validierung des Modells