Grundlagen Des Maschinellen Lernens at Universität Duisburg-Essen | Flashcards & Summaries

Select your language

Suggested languages for you:
Log In Start studying!

Lernmaterialien für Grundlagen des maschinellen Lernens an der Universität Duisburg-Essen

Greife auf kostenlose Karteikarten, Zusammenfassungen, Übungsaufgaben und Altklausuren für deinen Grundlagen des maschinellen Lernens Kurs an der Universität Duisburg-Essen zu.

TESTE DEIN WISSEN

Was ist schwache KI?

Lösung anzeigen
TESTE DEIN WISSEN
  • erkennt Muster in Daten
  • erzeugt Struktur in großen Datenmengen 
  • ermöglicht Vorhersagen für neue Daten
  • löst eine klar definierte Aufgabe
Lösung ausblenden
TESTE DEIN WISSEN

Was ist die allgemeine Definition von Machine Learning?

Lösung anzeigen
TESTE DEIN WISSEN

„[Maschinelles Lernen ist das] Fachgebiet, das Computern die Fähigkeit zu lernen verleiht, ohne explizit programmiert zu werden.“

Lösung ausblenden
TESTE DEIN WISSEN

Was ist die technische Definition von Machine Learning?

Lösung anzeigen
TESTE DEIN WISSEN

„Wir sagen ein Computerprogramm lernt aus der Erfahrung E bezüglich einer Aufgabe A und der Performance-Metrik P, wenn sich seine Performance in A, gemessen an P, mit mehr E verbessert.“

Lösung ausblenden
TESTE DEIN WISSEN

Welche Kategorien des ML gibt es?

Lösung anzeigen
TESTE DEIN WISSEN
  • supervised learning
  • unsupervised learning
  • semi-supervised learning
  • reinforcement learning
Lösung ausblenden
TESTE DEIN WISSEN

Was ist Supervised Learning?

Lösung anzeigen
TESTE DEIN WISSEN
  • KI lernt auf einer Menge korrekt markierter Beispiele
    • KI lernt, die Informationen aus den Trainingsdaten zu imitieren 
  • Objekterkennung 
  • Klassifikation 
  • Regression
Lösung ausblenden
TESTE DEIN WISSEN

Wie funktioniert die Klassifikation (Supervised Learning)?

Lösung anzeigen
TESTE DEIN WISSEN
  • Zielfunktion f ordnet jeder Eingabe eine der k Klassen zu
  • gibt Wahrscheinlichkeit für eine Klasse an 
    • z.B. Hund 80%, Katze 20%
  • ML-Modell kategorisiert neue Daten nach Mustern in den Features
    • z.B. Erkennung von Verkehrsschildern, Spamfilter  
Lösung ausblenden
TESTE DEIN WISSEN

Wie funktioniert die Regression (Supervised Learning)?

Lösung anzeigen
TESTE DEIN WISSEN
  • Prognose eines numerischen Wertes 
  • Zeitreihen bringen besondere Eigenschaften und Anforderungen an die Modellierung und Evaluierung mit
Lösung ausblenden
TESTE DEIN WISSEN

Was ist Unsupervised Learning?

Lösung anzeigen
TESTE DEIN WISSEN
  • Samples im Trainingsdatensatz haben keine Labels
  • verwenden Distanzmetriken und lokale Dichte im Feature Space, um ähnliche Punkte zu entdecken
  • Clustering
  • Dimensionality Reduction
  • Outlier Detection (Anomalieerkennung)
  • Recommender
Lösung ausblenden
TESTE DEIN WISSEN

Wie funktioniert Clustering (Unsupervised Learning)?

Lösung anzeigen
TESTE DEIN WISSEN

Ziel:

  • Struktur in eine Menge von Datenpunkten bringen 
  • ähnliche Punkte zu Clustern zusammenfassen 
  • neue Datenpunkte einem der Cluster zuordnen können


Lösung ausblenden
TESTE DEIN WISSEN

Wie funktioniert Dimensionality Reduction (Unsupervised Learning)?

Lösung anzeigen
TESTE DEIN WISSEN

Ziel: 

  • Auffinden von versteckten Repräsentationen von hochdimensionalen Daten in einem weniger dimensionalen Raum, sodass die ursprünglichen Informationen und Struktur möglichst bewahrt werden


  • Feature Selection: Auswahl aussagekräftiger Features aus allen Features
  • Feature Extraction: Reduzieren der Dimension durch Gewinn neuer aus vorhandenen Features
Lösung ausblenden
TESTE DEIN WISSEN

Wie funktioniert ein Recommender   (Unsupervised Learning)?

Lösung anzeigen
TESTE DEIN WISSEN

Ziel: 

  • Auffinden von Beziehungen zwischen Features in großen Datenmengen
  • Anwendung häufig bei binären Features: alle Werte der Features (und damit der Matrix) sind 0 oder 1
  • Beispiel: Filmempfehlung, 1=Film geschaut, 0=Film nicht geschaut
  • Ziele: feststellen, wer welche Filme schaut und daraus Regeln für Empfehlung unbekannter Filme ableiten
    • :{A, B} -> {C}
Lösung ausblenden
TESTE DEIN WISSEN

Was ist starke KI?

Lösung anzeigen
TESTE DEIN WISSEN
  • versucht, menschliches Schlussfolgern zu imitieren
  • universeller Problemlöser, der automatisch Strategien zur Lösung neuer Probleme entwickelt
Lösung ausblenden
  • 225129 Karteikarten
  • 4859 Studierende
  • 86 Lernmaterialien

Beispielhafte Karteikarten für deinen Grundlagen des maschinellen Lernens Kurs an der Universität Duisburg-Essen - von Kommilitonen auf StudySmarter erstellt!

Q:

Was ist schwache KI?

A:
  • erkennt Muster in Daten
  • erzeugt Struktur in großen Datenmengen 
  • ermöglicht Vorhersagen für neue Daten
  • löst eine klar definierte Aufgabe
Q:

Was ist die allgemeine Definition von Machine Learning?

A:

„[Maschinelles Lernen ist das] Fachgebiet, das Computern die Fähigkeit zu lernen verleiht, ohne explizit programmiert zu werden.“

Q:

Was ist die technische Definition von Machine Learning?

A:

„Wir sagen ein Computerprogramm lernt aus der Erfahrung E bezüglich einer Aufgabe A und der Performance-Metrik P, wenn sich seine Performance in A, gemessen an P, mit mehr E verbessert.“

Q:

Welche Kategorien des ML gibt es?

A:
  • supervised learning
  • unsupervised learning
  • semi-supervised learning
  • reinforcement learning
Q:

Was ist Supervised Learning?

A:
  • KI lernt auf einer Menge korrekt markierter Beispiele
    • KI lernt, die Informationen aus den Trainingsdaten zu imitieren 
  • Objekterkennung 
  • Klassifikation 
  • Regression
Mehr Karteikarten anzeigen
Q:

Wie funktioniert die Klassifikation (Supervised Learning)?

A:
  • Zielfunktion f ordnet jeder Eingabe eine der k Klassen zu
  • gibt Wahrscheinlichkeit für eine Klasse an 
    • z.B. Hund 80%, Katze 20%
  • ML-Modell kategorisiert neue Daten nach Mustern in den Features
    • z.B. Erkennung von Verkehrsschildern, Spamfilter  
Q:

Wie funktioniert die Regression (Supervised Learning)?

A:
  • Prognose eines numerischen Wertes 
  • Zeitreihen bringen besondere Eigenschaften und Anforderungen an die Modellierung und Evaluierung mit
Q:

Was ist Unsupervised Learning?

A:
  • Samples im Trainingsdatensatz haben keine Labels
  • verwenden Distanzmetriken und lokale Dichte im Feature Space, um ähnliche Punkte zu entdecken
  • Clustering
  • Dimensionality Reduction
  • Outlier Detection (Anomalieerkennung)
  • Recommender
Q:

Wie funktioniert Clustering (Unsupervised Learning)?

A:

Ziel:

  • Struktur in eine Menge von Datenpunkten bringen 
  • ähnliche Punkte zu Clustern zusammenfassen 
  • neue Datenpunkte einem der Cluster zuordnen können


Q:

Wie funktioniert Dimensionality Reduction (Unsupervised Learning)?

A:

Ziel: 

  • Auffinden von versteckten Repräsentationen von hochdimensionalen Daten in einem weniger dimensionalen Raum, sodass die ursprünglichen Informationen und Struktur möglichst bewahrt werden


  • Feature Selection: Auswahl aussagekräftiger Features aus allen Features
  • Feature Extraction: Reduzieren der Dimension durch Gewinn neuer aus vorhandenen Features
Q:

Wie funktioniert ein Recommender   (Unsupervised Learning)?

A:

Ziel: 

  • Auffinden von Beziehungen zwischen Features in großen Datenmengen
  • Anwendung häufig bei binären Features: alle Werte der Features (und damit der Matrix) sind 0 oder 1
  • Beispiel: Filmempfehlung, 1=Film geschaut, 0=Film nicht geschaut
  • Ziele: feststellen, wer welche Filme schaut und daraus Regeln für Empfehlung unbekannter Filme ableiten
    • :{A, B} -> {C}
Q:

Was ist starke KI?

A:
  • versucht, menschliches Schlussfolgern zu imitieren
  • universeller Problemlöser, der automatisch Strategien zur Lösung neuer Probleme entwickelt
Grundlagen des maschinellen Lernens

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 Grundlagen des maschinellen Lernens an der Universität Duisburg-Essen

Für deinen Studiengang Grundlagen des maschinellen Lernens an der Universität Duisburg-Essen gibt es bereits viele Kurse, die von deinen Kommilitonen auf StudySmarter erstellt wurden. Karteikarten, Zusammenfassungen, Altklausuren, Übungsaufgaben und mehr warten auf dich!

Das sind die beliebtesten Grundlagen des maschinellen Lernens Kurse im gesamten StudySmarter Universum

Maschinelles Lernen

Fachhochschule Dortmund

Zum Kurs
Maschinelles Lernen

Karlsruher Institut für Technologie

Zum Kurs
Maschinelles Lernen

Duale Hochschule Baden-Württemberg

Zum Kurs
Grundlagen des Lernens

Albert-Ludwigs-Universität Freiburg

Zum Kurs

Die all-in-one Lernapp für Studierende

Greife auf Millionen geteilter Lernmaterialien der StudySmarter Community zu
Kostenlos anmelden Grundlagen des maschinellen Lernens
Erstelle Karteikarten und Zusammenfassungen mit den StudySmarter Tools
Kostenlos loslegen Grundlagen des maschinellen Lernens