Modul MathKINN II: Mathematische Grundlagen zu Künstliche Intelligenz, Neuronale Netze und Data Analytics II - Cheatsheet
Backpropagation und Gradient Abstieg
Definition:
Backpropagation: Fehlerrückführung in mehrschichtigen Neuronalen Netzen zur Anpassung der Gewichte. Gradient Abstieg: Optimierungsverfahren zur Minimierung der Kostenfunktion.
Details:
- Backpropagation berechnet Gradienten der Kostenfunktion relativ zu jedem Gewicht durch Kettenregel.
- Gradient Abstieg aktualisiert Gewichte: wobei die Lernrate und der Gradient der Kostenfunktion ist.
- Zwei Phasen: Vorwärts- und Rückwärtsphase.
- Vorwärtsphase: Berechnung der Ausgabe des Netzwerks.
- Rückwärtsphase: Berechnung der Gradienten durch Rückpropagierung der Fehler.
- Wiederholt sich iterativ, um die Gewichte zu optimieren.
Aktivierungsfunktionen (ReLU, Sigmoid, Tanh)
Definition:
Aktivierungsfunktionen sind mathematische Funktionen, die den Output eines Neurons in einem künstlichen neuronalen Netz bestimmen. Sie führen Nichtlinearitäten ein, um komplexe Muster zu modellieren.
Details:
- ReLU (Rectified Linear Unit): Einfach, schnell konvergierend, erlaubt sparsames Aktivieren
- Sigmoid: Glättet Output zwischen 0 und 1, für binäre Klassifikationen geeignet
- Tanh (Hyperbolischer Tangens): Wertbereich von -1 bis 1, symmetrisch um die Null
Datenvorverarbeitung und Bereinigungstechniken
Definition:
Vorbereitung von Rohdaten in ein nutzbares Format mittels Techniken wie 'Data Cleaning', 'Integration', 'Transformation' und 'Reduction'.
Details:
- Fehlende Werte: Entfernen, Imputieren, Ersetzen
- Outlier-Entfernung: IQR-Methode, Z-Score-Methode
- Datenskalierung: Normalisierung, Standardisierung
- Feature Engineering: Erzeugung neuer Merkmale, Merkmalsselektion
- Datentransformation: Diskretisierung, Binning
Deskriptive und inferenzielle Statistikmethoden
Definition:
Deskriptive Statistik beschreibt Daten durch Kennzahlen und Grafiken. Inferenzielle Statistik schließt von Stichproben auf die Grundgesamtheit.
Details:
- Deskriptive Statistik:
- Lagemaße: Mittelwert (), Median
- Streuungsmaße: Varianz (\text{Var}(X)), Standardabweichung (\text{std}(X))
- Grafiken: Histogramme, Boxplots
- Inferenzielle Statistik:
- Hypothesentests: t-Test, Chi-Quadrat-Test
- Konfidenzintervalle
- Regressionsanalyse
Heuristische Algorithmen in der KI
Definition:
Algorithmen, die auf Erfahrungswerten oder Näherungsverfahren basieren, um gute, aber nicht notwendigerweise optimale Lösungen für komplexe Probleme zu finden.
Details:
- Wenden Regeln an, um Suchräume effizienter zu durchsuchen.
- Nützliche Heuristiken: Greedy-Algorithmen, A* (A-Stern)-Algorithmus.
- Reduzieren die Rechenzeit durch Annahmen und Vereinfachungen.
- Typischer Einsatz in Problemfeldern wie Routenplanung, Spiel-KI, Optimierungsprobleme.
- Risiko suboptimaler oder falscher Lösungen, Kontrolle notwendig.
Optimierungsmethoden für maschinelles Lernen
Definition:
Methoden zur Minimierung einer Kostenfunktion in ML-Modellen.
Details:
- Gradientenabstieg: Aktualisiert Gewichte in Richtung des negativen Gradienten des Fehlers.
- Stochastischer Gradientenabstieg (SGD): Aktualisiert Gewichte nach jeder Trainingsinstanz.
- Mini-Batch SGD: Kombination aus Gradientenabstieg und SGD.
- Adam: Adaptives Lernratenoptimierungsverfahren, kombiniert Momentum und RMSprop.
- RMSprop: Ähnlich zu Adam, nutzt exponentiell gewichtete Mittelwertquadrate der Gradienten.
- Momentum: Beschleunigt Gradientenabstieg, indem es in Richtung des vorherigen Gradienten fortsetzt.
Lineare Algebra: Matrizenoperationen
Definition:
Operationen, die auf Matrizen angewendet werden, um neue Matrizen oder Werte zu erhalten.
Details:
- Addition und Subtraktion: Zwei Matrizen gleicher Dimension addieren/subtrahieren
- Skalarmultiplikation: Multiplikation einer Matrix mit einem Skalar
- Matrizenmultiplikation: Produkt zweier Matrizen formen, bedingt durch kompatible Dimensionen
- Transponieren: Vertauschen von Zeilen und Spalten einer Matrix
- Inverse: für quadratische Matrizen, sofern invertierbar
- Determinante: Skalarwert für quadratische Matrizen zur Untersuchung von Eigenschaften wie Invertierbarkeit
Ethik und gesellschaftliche Auswirkungen der KI
Definition:
Ethik und gesellschaftliche Auswirkungen der KI: Untersuchung moralischer Fragen und sozialer Folgen bei der Nutzung von Künstlicher Intelligenz.
Details:
- Verantwortlichkeit und Haftung: Wer ist verantwortlich für Entscheidungen von KI?
- Bias und Fairness: KI-Modelle können bestehende Vorurteile verstärken.
- Datenschutz: Umgang mit persönlichen Daten und deren Sicherheit.
- Arbeitsmarkt: Veränderung des Jobmarktes durch Automatisierung.
- Transparenz: Nachvollziehbarkeit von KI-Entscheidungen.
- Regulierung: Notwendigkeit gesetzlicher Rahmenbedingungen.