Positive Computing Und Diversity 6: Künstliche Intelligenz - Neuroinformatik at Hochschule Fresenius | Flashcards & Summaries

Select your language

Suggested languages for you:
Log In Start studying!

Lernmaterialien für Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik an der Hochschule Fresenius

Greife auf kostenlose Karteikarten, Zusammenfassungen, Übungsaufgaben und Altklausuren für deinen Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik Kurs an der Hochschule Fresenius zu.

TESTE DEIN WISSEN

Was beschreibt das Neuronenmodell?

Lösung anzeigen
TESTE DEIN WISSEN

Das Neuronenmodell beschreibt den Austausch von Informationen zwischen Neuronen. Dabei werden verschiedene Komponenten integriert:

  • Sensible Reize
  • Die Koordination motorischer Eigenleistungen
  • Der Gesamtorganismus
  • Die Regulation aller inorganischen Abstimmungsvorgänge

Bildlich kann man hier von der Verarbeitung von Sensordaten sprechen.

Lösung ausblenden
TESTE DEIN WISSEN

Was wissen Sie über den Aufbau von Neuronen?

Lösung anzeigen
TESTE DEIN WISSEN
  • Sensordaten werden gerichtet verarbeitet
  • Die Signalübertragung findet über Dendriten und den Zellkörper statt
    • Durch Spannungsimpulse (auch Spikes genannt) werden sie zum Axon weitergeleitet: ya = f(sz,xd)
    • Je höher die Aktivität am Axon ist, desto höher ist die Spike-folge
Lösung ausblenden
TESTE DEIN WISSEN

Wofür steht die folgende Formel? Welche Bedeutung haben die einzelnen Bestandteile?

ya = f(sz,xd)

Lösung anzeigen
TESTE DEIN WISSEN

Die Formel beschreibt die Signalübertragung an Axonen

  • ya: Zustand auf dem Axon
  • f: Transferfunktion
  • sz: Zustand des Zellkörpers
  • xd: Vektor mit Zuständen auf den Dendriten
Lösung ausblenden
TESTE DEIN WISSEN

Wie werden künstliche Neuronen modelliert?

Lösung anzeigen
TESTE DEIN WISSEN
  • Der biologische Aufbau menschlicher Neurone wird abstrakt auf künstliche neuronale Netze übertragen
  • Hierbei beschreibt 
    • x = [x1,x2...,xn] die Eingangsvariablen
    • y = [y1,y2,...,ym] die Ausgangsvariablen

    • und y = F(x) die Übertragungsfunktion

Lösung ausblenden
TESTE DEIN WISSEN

Erläutern Sie schrittweise den allgemeinen Prozess des überwachten Lernens. (6 Schritte)

Lösung anzeigen
TESTE DEIN WISSEN

1. Bekannte Kombinationen von Ein- und Ausgangsvektoren, die das definierte Problem lösen 

2. Eingangsvektoren werden in das Netzwerk eingespeist und im Ausgang mit den bekannten Ausgangsvektoren verglichen 

3. Der Fehler wird berechnet (Soll-Zustand – Ist-Zustand)

4. Bei inakzeptablen Fehlern -> Verändern der Gewichte 

5. Neue Kombination von Ein- und Ausgangsvektoren testen -> neues Ergebnis vergleichen 

6. Wird so lange iterativ durchgeführt, bis die Gewichte das gewünschte Verhalten zeigen/ der Fehler akzeptabel ist

Lösung ausblenden
TESTE DEIN WISSEN

Wieso ist es wichtig, Testdatensätze/ Trainingsdaten zum Lernen künstlicher Neuronaler Netze zu verwenden?

Lösung anzeigen
TESTE DEIN WISSEN

• Gewichte können so verändert werden, dass korrekte Zusammenhänge gelernt werden (bspw. handschriftliche Ziffern richtig erkennen) 

• Das Verhalten des Netzes kann geprüft werden, die Güte des Netzes wird bestimmt -> Fehlklassifikationen werden berücksichtigt

• Ermöglicht die Analyse, ob das Netzwerk die Eingabedaten korrekt klassifiziert (Zieldaten sind bekannt) -> Kontrolliertes Lernen (Fehler werden reduziert, Netz wird überwacht trainiert)

Lösung ausblenden
TESTE DEIN WISSEN

Wie wird Objektsegmentierung definiert?

Lösung anzeigen
TESTE DEIN WISSEN

Bei der Objektsegmentierung unterscheidet das KI-System zwischen Vorder- und Hintergrund und erkennt die relevantesten Objekte.

Lösung ausblenden
TESTE DEIN WISSEN

Was ist die Objektklassifikation? Wie verläuft diese?

Lösung anzeigen
TESTE DEIN WISSEN

Das KI-System extrahiert Merkmale und verbindet diese über das neuronale Netz. Somit kann zwischen verschiedenen Objektklassen unterschieden werden (bspw. kann die KI im Straßenverkehr zwischen PKWs und LKWs unterscheiden).

Ablauf:

1. Sensordaten werden aufgezeichnet 

2. Relevante Merkmale werden extrahiert (bspw. Kanten, Linien, lokale Entropie) 

3. Neuronales Netzwerk extrahiert relevante Regionen 

4. Werden über die Zeit verfolgt & in einer Repräsentation gespeichert 

5. Zweites Netz klassifiziert Objekttypen mit Parametern


Lösung ausblenden
TESTE DEIN WISSEN

Was ist das Deep Learning?

Lösung anzeigen
TESTE DEIN WISSEN

Das Deep Learning ermöglicht die Bearbeitung komplexer Aufgaben durch eine KI. Mithilfe vieler versteckter Schichten und einer komplexen Architektur können neuronale Netzwerke Merkmale erfassen. Hierbei werden zwei neuronale Architekturen verbunden: Multilayer-Perzeptoren und Convolutional Neural Networks.

Lösung ausblenden
TESTE DEIN WISSEN

Was ist sind Convolutional Neural Networks?

Lösung anzeigen
TESTE DEIN WISSEN

Bei faltenden neuronalen Netzen werden die Nachbarschaften des Eingangssignals berücksichtigt. Jeder Filter entspricht einer Gewichtsmatrix, mithilfe dieser der Einfluss der Nachbarschaft bewertet wird.

Lösung ausblenden
TESTE DEIN WISSEN

Was beinhaltet das Transferlernen?

Lösung anzeigen
TESTE DEIN WISSEN

Beim Transferlernen werden bekannte künstliche Neuronale Netze verwendet um neue Fragestellungen anzugehen. Hierbei werden nur die obersten Schichten des Netzes neu trainiert und deren Parameter werden adaptiert. Dies wird auch Finetuning genannt. Es wird also auf vorher erlerntes Wissen zurückgegriffen um neues Wissen zu erfassen.

Lösung ausblenden
TESTE DEIN WISSEN

Was ist die Algorithmische Voreingenommenheit (algorithmic bias)?

Lösung anzeigen
TESTE DEIN WISSEN

Die Gewichte/ Parameter verändern sich entsprechend der ausgewählten Daten. Wenn an dieser Stelle falsche ausgewählt werden, werden die Gewichte an diese angepasst und falsche Schlussfolgerungen entstehen. 

Bsp: Eine Korrelation zwischen der Scheidungsrate in Alabama und der Anzahl vorhandener Anwälte. Jedoch bezog sich der Datensatz der Anwälte auf  die nördlichen Marianen Inseln, nicht auf Alabama. 

Lösung ausblenden
  • 196019 Karteikarten
  • 3540 Studierende
  • 63 Lernmaterialien

Beispielhafte Karteikarten für deinen Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik Kurs an der Hochschule Fresenius - von Kommilitonen auf StudySmarter erstellt!

Q:

Was beschreibt das Neuronenmodell?

A:

Das Neuronenmodell beschreibt den Austausch von Informationen zwischen Neuronen. Dabei werden verschiedene Komponenten integriert:

  • Sensible Reize
  • Die Koordination motorischer Eigenleistungen
  • Der Gesamtorganismus
  • Die Regulation aller inorganischen Abstimmungsvorgänge

Bildlich kann man hier von der Verarbeitung von Sensordaten sprechen.

Q:

Was wissen Sie über den Aufbau von Neuronen?

A:
  • Sensordaten werden gerichtet verarbeitet
  • Die Signalübertragung findet über Dendriten und den Zellkörper statt
    • Durch Spannungsimpulse (auch Spikes genannt) werden sie zum Axon weitergeleitet: ya = f(sz,xd)
    • Je höher die Aktivität am Axon ist, desto höher ist die Spike-folge
Q:

Wofür steht die folgende Formel? Welche Bedeutung haben die einzelnen Bestandteile?

ya = f(sz,xd)

A:

Die Formel beschreibt die Signalübertragung an Axonen

  • ya: Zustand auf dem Axon
  • f: Transferfunktion
  • sz: Zustand des Zellkörpers
  • xd: Vektor mit Zuständen auf den Dendriten
Q:

Wie werden künstliche Neuronen modelliert?

A:
  • Der biologische Aufbau menschlicher Neurone wird abstrakt auf künstliche neuronale Netze übertragen
  • Hierbei beschreibt 
    • x = [x1,x2...,xn] die Eingangsvariablen
    • y = [y1,y2,...,ym] die Ausgangsvariablen

    • und y = F(x) die Übertragungsfunktion

Q:

Erläutern Sie schrittweise den allgemeinen Prozess des überwachten Lernens. (6 Schritte)

A:

1. Bekannte Kombinationen von Ein- und Ausgangsvektoren, die das definierte Problem lösen 

2. Eingangsvektoren werden in das Netzwerk eingespeist und im Ausgang mit den bekannten Ausgangsvektoren verglichen 

3. Der Fehler wird berechnet (Soll-Zustand – Ist-Zustand)

4. Bei inakzeptablen Fehlern -> Verändern der Gewichte 

5. Neue Kombination von Ein- und Ausgangsvektoren testen -> neues Ergebnis vergleichen 

6. Wird so lange iterativ durchgeführt, bis die Gewichte das gewünschte Verhalten zeigen/ der Fehler akzeptabel ist

Mehr Karteikarten anzeigen
Q:

Wieso ist es wichtig, Testdatensätze/ Trainingsdaten zum Lernen künstlicher Neuronaler Netze zu verwenden?

A:

• Gewichte können so verändert werden, dass korrekte Zusammenhänge gelernt werden (bspw. handschriftliche Ziffern richtig erkennen) 

• Das Verhalten des Netzes kann geprüft werden, die Güte des Netzes wird bestimmt -> Fehlklassifikationen werden berücksichtigt

• Ermöglicht die Analyse, ob das Netzwerk die Eingabedaten korrekt klassifiziert (Zieldaten sind bekannt) -> Kontrolliertes Lernen (Fehler werden reduziert, Netz wird überwacht trainiert)

Q:

Wie wird Objektsegmentierung definiert?

A:

Bei der Objektsegmentierung unterscheidet das KI-System zwischen Vorder- und Hintergrund und erkennt die relevantesten Objekte.

Q:

Was ist die Objektklassifikation? Wie verläuft diese?

A:

Das KI-System extrahiert Merkmale und verbindet diese über das neuronale Netz. Somit kann zwischen verschiedenen Objektklassen unterschieden werden (bspw. kann die KI im Straßenverkehr zwischen PKWs und LKWs unterscheiden).

Ablauf:

1. Sensordaten werden aufgezeichnet 

2. Relevante Merkmale werden extrahiert (bspw. Kanten, Linien, lokale Entropie) 

3. Neuronales Netzwerk extrahiert relevante Regionen 

4. Werden über die Zeit verfolgt & in einer Repräsentation gespeichert 

5. Zweites Netz klassifiziert Objekttypen mit Parametern


Q:

Was ist das Deep Learning?

A:

Das Deep Learning ermöglicht die Bearbeitung komplexer Aufgaben durch eine KI. Mithilfe vieler versteckter Schichten und einer komplexen Architektur können neuronale Netzwerke Merkmale erfassen. Hierbei werden zwei neuronale Architekturen verbunden: Multilayer-Perzeptoren und Convolutional Neural Networks.

Q:

Was ist sind Convolutional Neural Networks?

A:

Bei faltenden neuronalen Netzen werden die Nachbarschaften des Eingangssignals berücksichtigt. Jeder Filter entspricht einer Gewichtsmatrix, mithilfe dieser der Einfluss der Nachbarschaft bewertet wird.

Q:

Was beinhaltet das Transferlernen?

A:

Beim Transferlernen werden bekannte künstliche Neuronale Netze verwendet um neue Fragestellungen anzugehen. Hierbei werden nur die obersten Schichten des Netzes neu trainiert und deren Parameter werden adaptiert. Dies wird auch Finetuning genannt. Es wird also auf vorher erlerntes Wissen zurückgegriffen um neues Wissen zu erfassen.

Q:

Was ist die Algorithmische Voreingenommenheit (algorithmic bias)?

A:

Die Gewichte/ Parameter verändern sich entsprechend der ausgewählten Daten. Wenn an dieser Stelle falsche ausgewählt werden, werden die Gewichte an diese angepasst und falsche Schlussfolgerungen entstehen. 

Bsp: Eine Korrelation zwischen der Scheidungsrate in Alabama und der Anzahl vorhandener Anwälte. Jedoch bezog sich der Datensatz der Anwälte auf  die nördlichen Marianen Inseln, nicht auf Alabama. 

Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik

Erstelle und finde Lernmaterialien auf StudySmarter.

Greife kostenlos auf tausende geteilte Karteikarten, Zusammenfassungen, Altklausuren und mehr zu.

Jetzt loslegen

Das sind die beliebtesten StudySmarter Kurse für deinen Studiengang Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik an der Hochschule Fresenius

Für deinen Studiengang Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik an der Hochschule Fresenius gibt es bereits viele Kurse, die von deinen Kommilitonen auf StudySmarter erstellt wurden. Karteikarten, Zusammenfassungen, Altklausuren, Übungsaufgaben und mehr warten auf dich!

Mehr Karteikarten anzeigen

Das sind die beliebtesten Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik Kurse im gesamten StudySmarter Universum

Künstliche Intelligenz

Hochschule der Medien Stuttgart

Zum Kurs
Künstliche Intelligenz

Technische Hochschule Deggendorf

Zum Kurs

Die all-in-one Lernapp für Studierende

Greife auf Millionen geteilter Lernmaterialien der StudySmarter Community zu
Kostenlos anmelden Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik
Erstelle Karteikarten und Zusammenfassungen mit den StudySmarter Tools
Kostenlos loslegen Positive Computing und Diversity 6: Künstliche Intelligenz - Neuroinformatik