Rasenroboter oder Staubsauger-Roboter gehören heute für viele Menschen zum Alltag – auch wenn das vor einigen Jahren noch kaum vorstellbar gewesen wäre. Die Forschung schreitet voran und auch auf dem Arbeitsmarkt soll in Zukunft vieles Maschinen abgegeben werden, wie zum Beispiel die Altenpflege oder das Vorbereiten von Gerichtsentscheiden.
Auch das Verarbeiten und Verstehen komplexer sprachlicher Aussagen und Informationen ist Teil der künstlichen Intelligenz. Bisher wurden sprachliche Aussagen mit Symbolen in Schallform oder schriftlicher Form verarbeitet. Dieses Modell des diskreten Sprachgebrauchs hatte den Vorteil, dass Symbole eindeutig sind, da es ein Regelsystem für diese Symbole gibt. Bisherige Engstellen waren der zu geringe Speicherplatz und der fehlende Kontext bei der Sprachverarbeitung, da dafür mehr Variablen notwendig gewesen wären. Das zentrale Hauptproblem war jedoch, dass die Maschinen nicht selbst gelernt haben, sondern nur so intelligent waren, wie die Person, die sie programmiert hat. Diese Probleme können mit dem Machine Learning und dem Deep Learning überwunden werden, wie genau das funktioniert wird im zweiten Punkt dieser Arbeit erläutert.
Das Deep Learning wurde im Seminar anhand von Deep-Learning-Ansätzen des Natural Language Processing, kurz NLP, erklärt. Das NLP ist eine der wichtigsten Technologien des Informationszeitalters. Da Sprache ein wesentlicher Bestandteil der menschlichen Kommunikation ist, gibt es zahlreiche Anwendungsgebiete von NLP, wie zum Beispiel die Sprachübersetzung, E-Mails oder Werbung. Neben den Deep-Learning-Ansätzen gibt es zahlreiche weitere maschinelle Lernmodelle für NLP, die Deep-Learning-Ansätze haben jedoch aktuell mit hohen Leistungen bei NLP-Aufgaben überzeugt.
In dieser Arbeit wird zunächst das Deep Learning definiert, vom Machine Learning und der künstlichen Intelligenz abgegrenzt und anschließend ein korrektes Programmierbeispiel vorgestellt, in dem wir eine handgeschriebene Ziffer zu einer Kategorie zugeordnet haben. Die Arbeit stützt sich dabei, neben den im Seminar gewonnen Kenntnissen, auf das Werk Deep Learning mit Python und Keras von Francois Chollet.
Inhaltsverzeichnis
1. Einleitung
2. Deep Learning: Definition und Abgrenzung
3. Programmierbeispiel
4. Fazit
Zielsetzung und thematische Schwerpunkte
Die vorliegende Seminararbeit verfolgt das Ziel, die grundlegenden Konzepte des Deep Learning in Abgrenzung zur Künstlichen Intelligenz und zum Machine Learning zu erläutern und diese theoretischen Grundlagen anhand eines praktischen Programmierbeispiels zur Ziffernerkennung greifbar zu machen.
- Abgrenzung von Künstlicher Intelligenz, Machine Learning und Deep Learning
- Funktionsweise und Struktur neuronaler Netze
- Praktische Implementierung mit der Python-Bibliothek Keras
- Umgang mit Trainings- und Testdatensätzen (MNIST)
- Phänomen der Überanpassung in Lernmodellen
Auszug aus dem Buch
3. Programmierbeispiel
Die Funktionsweise von NNs wurde im Seminar anhand des NNs der Python-Bibliothek Keras erklärt, dass diese verwendet, „[…] um die Klassifizierung handgeschriebener Ziffern zu erlernen.“ Die Aufgabe war es dabei, Graustufenbilder von handgeschriebenen, 29x29 Pixel großen Ziffern einer der 10 Kategorien von 0 bis 9 zuzuordnen.
Dazu zunächst einige Begriffserklärungen: Die Kategorien einer Klassifizierungsaufgabe werden beim Machine Learning Klassen genannt und die Datenpunkte Samples. Klassenbezeichnung oder Label werden die zu einem Sample dazugehörigen Klassen genannt.
Zur Lösung der Aufgabe wurden die MNIST-Daten verwendet, eine Datenbank aus 60.000 Trainingsbildern und 10.000 Testbildern, mit der beim Deep Learning geprüft wird, ob die Algorithmen funktionieren. Die Abkürzung MNIST steht für „Modified National Institute for Standards and Technology“. Diese Datensammlung, die Bestandteil von Keras ist, steht in Form von vier Numpy-Arrays zur Verfügung: Zum einen aus train_images und train_labels, die zusammenfassend als Trainingsdatenmenge bezeichnet werden und aus denen das Programm lernt. Zum anderen aus test_images und test_labels, die zusammenfassend als Testdatenmenge bezeichnet werden und mit denen das Modell überprüft wird.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung führt in die Relevanz von künstlicher Intelligenz und Machine Learning ein und skizziert die methodische Vorgehensweise sowie die Zielsetzung der Arbeit.
2. Deep Learning: Definition und Abgrenzung: Dieses Kapitel definiert die zentralen Begriffe Künstliche Intelligenz, Machine Learning sowie Deep Learning und beleuchtet deren hierarchisches Verhältnis zueinander.
3. Programmierbeispiel: Der Hauptteil beschreibt die praktische Anwendung eines neuronalen Netzes anhand des MNIST-Datensatzes und erläutert die notwendigen Schritte der Datenvorbereitung und Modellierung.
4. Fazit: Das Fazit reflektiert den persönlichen Lernerfolg der Seminarteilnehmerin und resümiert die gelungene Verknüpfung von theoretischem Wissen und praktischer Programmiererfahrung.
Schlüsselwörter
Deep Learning, Machine Learning, Künstliche Intelligenz, Neuronale Netze, Keras, Python, MNIST, Datenverarbeitung, Repräsentationen, Klassifizierung, Überanpassung, Datendestillation, Trainingsdaten, Testdaten, Algorithmen.
Häufig gestellte Fragen
Worum geht es in dieser Seminararbeit grundlegend?
Die Arbeit behandelt die Grundlagen des Deep Learning als Teilbereich des Machine Learning und der Künstlichen Intelligenz, illustriert durch ein praktisches Anwendungsbeispiel.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Themen sind die theoretische Abgrenzung der Lernverfahren, die Funktionsweise von neuronalen Netzen sowie der praktische Umgang mit Bilddaten in der Programmierung.
Welches primäre Ziel verfolgt die Autorin?
Ziel ist es, das theoretische Prinzip des Deep Learning zu durchdringen und die Funktionsweise anhand einer praktischen Aufgabe zur Klassifizierung von handgeschriebenen Ziffern zu demonstrieren.
Welche wissenschaftliche Methode kommt zum Einsatz?
Es wird eine Kombination aus Literaturrecherche (basierend auf Francois Chollet) und einer empirisch-technischen Demonstration in Form eines Programmierbeispiels mit der Bibliothek Keras genutzt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil konzentriert sich auf die Definition von Machine Learning, die Architektur neuronaler Netze und die praktische Umsetzung der Ziffernerkennung mittels des MNIST-Datensatzes.
Welche Schlüsselwörter charakterisieren das Dokument?
Die Arbeit lässt sich am besten durch Begriffe wie Deep Learning, Neuronale Netze, Keras und Klassifizierung beschreiben.
Was bedeutet der Begriff „Überanpassung“ in diesem Kontext?
Überanpassung bezeichnet ein Phänomen, bei dem ein Modell zwar auf den Trainingsdaten hervorragende Ergebnisse liefert, jedoch bei neuen, unbekannten Testdaten eine schlechtere Leistung zeigt.
Warum wurden die MNIST-Daten für das Beispiel gewählt?
Die MNIST-Daten dienen als Standard-Datensatz für Einstiegsübungen im Deep Learning, da sie mit 60.000 Trainings- und 10.000 Testbildern eine ideale Grundlage zur Überprüfung von Algorithmen bieten.
- Quote paper
- Amelie Probst (Author), 2019, Natural Language Processing mit Deep Learning, Munich, GRIN Verlag, https://www.hausarbeiten.de/document/498041
