[Playlisten] [Impressum und Datenschutzerklärung]

Neuronale Netze, SVM usw. mit scikit-learn


CC-BY-NC-SA 3.0

Tempo:

Anklickbares Transkript:

Supervised Learning – heißen ?? selbst gemacht nicht bei Google oder Amazon oder Microsoft – oder sonst wo eingekauft – sondern hier auf dem lokalen Rechner heißen – es gibt unter anderem – zum Beispiel – dieses Becken schreitet sicher schon vorgeführt – sei Kit neunundneunzig – das ausgeschriebene – Scale einheitliche kurze Zeit geht man – mit den diversen Maschinenlernen – Algorithmen – quer durch den Garten – jetzt auch mit neuronalen Netzen wenn sie die allerneueste Version nach installieren davon zwei tausend sechzehn – was für dich hier vor das sie sind meine Trainingsdaten – ich lerne folgendes an – ?? zum ?? Punkt eins zwei – sechs eins sechs zwei zum Punkt eins zwei gehört der Wert null – also wenn ich ein paar reinkriege – eine Messwert ist eins seiner Messwert ist zwei dann möchte ich das rauskommt nur ?? zweites null Katze – oder Schraube zu lang oder Geschwindigkeit zu hoch was es auch immer – drei fünf wenn der eine Messwert drei seines Meß wird fünf bis zwei Messwerte zwei Dimensionen damit auch nur rausbekommen und so weiter und so weiter – wenn der Smith S vier ist der zweite fünf ist möcht ich eins rausbekommen – habe es erst mal angelegt – Base für sieben Beispiel an den ich lernen möchte – es jetzt nicht direkt die Listen ausbeißen – das ganze geht mit Namen bei das ist diese numerische Bibliothek die wunderschön mit großen Reis arbeiten kann das jetzt also verwandelt von einer Liste von Listen enthalten – in so ein Ray – ist in groß X trennen – groß X sozusagen meine Messwerte drin von den ich ausgehe – und in klein Ypsilon – ist drin was die Klassifikation – ist null oder eins habe ich jetzt hier nur als Klassifikation – ?? groß X verlassen Vektor ist – Substanz blamierte sich nur eine Zahl jeweils des klein Ypsilon – das hier ist dann das nächste spannende von angenehmsten – Erlasses des allein das Maschinenverfahren – sie merken sich im Endeffekt – alle diese Exemplare – aus der Menschlichkeit – alles lernen – Auswendiglernen – zu telefonbuchmäßig – ?? Punkt danach – also mit der Zeile – basiert sozusagen das Auswendiglernen – und dann ?? ich nach – mit anderen Beispielen – frischen Beispielen – was ich gelernt habe – verzeih ich es man jetzt diese Werte mit denen ich lernen will – und ?? programmwendige – Platte Beispiele so sollte das denn das sind die Beispiele die ich lernen will die blauen Punkte waren glaube ich die mit der null die Rosen – bitte Einsatz ich möchte mir merken – dessen blauen Stellen – ist der Wert null – Frau zu Kurzkatze – und an den roten Stellen möchte ich mir merken das ist der Wert eins und Autowasser – Komma eine andere Klassifizierung – eine andere Klasse soll ich sagen die mit der roten Markierung sind eine andere Klasse – der Job von Lernrhythmus – ist jetzt zu interpolieren – mit bei der Klassifikation – richtig irgend ein Punkt angeben können und der Lernalgorithmus soll sagen – blau oder rot – die nächsten Nachbarn gewiss Nebensitzes des Verfahrens Einflussverfahren – das macht es total billig nächste Nachbarn – guckt sie da irgendwo sind zum Beispiel wenn ihr Messwert wäre – zwei – drei Sie müssen zwei drei und wollen es wissen ?? ist das blau oder rot wie sonst klassifiziert werden würde das nächste Nachbarn Verfahren gucken was sind die nächsten Punkte die ich gelernt habe – Punkt ich lerne was die nächsten Punkte die ich gelernt habe und zum Beispiel eine März Abstimmung machen die nächsten drei Punkte – die nächsten drei Punkte dann zu den hier genannten Abstimmung jeder müsste blau werden – wann ist man ganz einfach an es nach ?? eins hier ich gucke lediglich nur den einen nächsten Nachbarn an alles was man hat passiert – vielleicht den Heeresideen – haben zwei zwei – ist der nächste Nachbar dieser ja sie werden den blau entfernen wenn das – gemessen ist zwei zwei wenn sie sagen okay der Kür zum blauen – wenn sie hier ?? Punkt gemessen haben drei zwei – und wollte wissen was das ist dann würden Sie sagen okay wenn es ihr Brot auch Brot – wird als – Bugwelle zu Grenzlinien verlaufen – zwischen Rot und Blau irgendwo muss es Grenzen geben – und das umschlägt – eine Klassifizierung – ?? wird zum Beispiel umschlagen ✂ sie müssen zum Beispiel hier eine Grenzlinie haben was die Mittelsenkrechte – wenn sie weiter zu dem roten Simsdans – der rot ihr Nachbar und sie sagen muss auch rot sein wenn sie weite hier sind der blaue ihr nächster Nachbar – Dienstnehmerdesigners – muss blau sein hier auch zwischen den beiden Musikerzieher – verlaufen zwischen den beiden musste Grenzlinie verlaufen sind mir – wahrscheinlich müsste jede Grenzlinie verlaufen – muss ?? Mittelsenkrechte – auch mal das Licht dort jetzt wissen wir der ganze andere Ärger – ist jetzt mit feinen Raster auf ?? Fläche rüber – zwei hundert längst zwei hundert Querhauses – und feines Raster – und ich werde dieses feine Raster noch mal ein nach der Vorhersage – lässt sich nämlich hieraus dass die vorher sage – ich geht es gesamte Raster durch den für jeden Punkt in dem Raster zwei hundert mal zwei hundert – Tage sowie was ist dein nächster Nachbar und färbe das ein – seitig und man – wird in jeder Punkt tatsächlich eingefärbt – und wir sehen ihr müsst Nehmer für einen Nachbarn in Aktion – also wie erwartet – immer so die Mittel senkrechten Stücke Mittelsenkrechte – sie ihr hier sind – das im Messwert ist drei Komma sieben – fünf – ist der Messwert dann wirksam gegen Rot klassifiziert als rot und so weiter – das wäre das aller einfachste Klassifikationsverfahren – man merkt sich alle Exemplare – die man lernen sollte jetzt die sieben Datenpunkte – die merkt man sich in einem – ?? guckt man quasi immer nach was ist der nächste – nimmt dann die Werte von den Ästen das Label – das Etikett für die nächsten – was jetzt ein Dichteunterschied – zu den Katzen und den – Burgen und den Flüssen – bei Google – kommt man doch auch aus Burgkatze – das mit der Google Klassifikation – für Bilder vergleichen wollte ?? bisher jeder dieser Punkte – ein Bild sein ich lerne – das System an – das hier ist ein ?? Punkt und das ist auch ?? Punkt und das ist auch ?? Punkt – und das ist auch ?? Punkt aber das ist ?? Katze das ist ?? Katze das ist die Katze jeder Punkt stünde für ein Bild mit dem sie das System trainiert – und das Bild beschreiben Sie natürlich mit zwei Größen – für die Schraube und die Kamera legen dann können Sie vielleicht zwei Größen die Position und die Länge der Schraube beschreiben – aber sind wir ?? beschreiben wollen kommt sie nicht mit zwei Größen zurande – sie könnten im Prinzip das wirklich geschickt – die RGB Werte durch das gesamte Bild – eine Million zehn Millionen RGB Werte dass wir bisschen ineffizient – werden versuchen das Bild anders zu beschreiben Größen aus dem Bild zu disziplinieren – Features wie so schön als aus dem Bild zu disziplinieren – ?? zum Beispiel von jeder Summation drüber laufen lassen und dann nimmt man nur die groben Frequenzen zum Beispiel – solche Sachen vielleicht – oder man versucht tatsächlich sogar das die Maschine selbst herausfindet – was sie aus dem Bild extrahieren muss – Punkt weiter geht im Endeffekt – würde das heißen dass wir jetzt sozusagen – Bilder bei der Bildersuche – jeder Punkt es ein Bild mit dem sie an der sie haben also vielmehr Dimension nicht nur zwei Dimensionen – und sie hat natürlich viel mehr Datenbegleiter – die Ha Millionen an Bildern die schon genehmigt worden sind also ähnliches Verfahren – aber dieses ist dann wirklich Sandkasten – gegenüber dem was im großen Stile dann passiert – im Schnee war es Komma Nehmesnehmer – einen Schritt weiter treiben hier wird immer die nächsten Nachbarn gesucht – Beistrich weil ich kein richtig zehntes die gleichen – sind damit so wirklich findet Mittelsenkrechte jeweils aussieht – wir wissen ?? mit einem Nachbarn – ist das einfachste – der nächste Schritt ist die Wüsteneber mit mehreren Nachbarn – sie Komma sich die nächsten ?? jetzt drei Nachbarn an Beistrich damit sie guckt sich die nächsten drei Nachbarn ?? – muss ich dann gemacht habe ist – ich – lasse mir die nächsten Nachbarn geben – das passiert hier – kriegen die Indices der nächsten Nachbarn – zeige ich vielleicht tatsächlich war wie das dann aussieht ich setze ?? ihren Weg Punkt – und dann müssen Sie sagen wer gewinnt welcher Typ gewinnt – genauer gesagt – wie viele von den nächsten Nachbarn haben die null – blau und wie viele von den nächsten Nachbarn haben das Rot – zeigt das mal im Debugger – das wieder einmal dieses Gerät sehen können was er zurückkommt Indices habe ich das genannt – das Thema so ?? ist ein durchgelaufen – ich lasse mir dazu mein zwei hundert mal zwei ?? Punkt müssen diese hier vierzig tausend Punkte sitzen vierzig tausend Punkt wie die gesamte Fläche bilden Upcast an das ich mich jeweils sagen was sind die Indices – Indices – der nächsten Nachbar nämlich – der ?? Punkt ähnliche habe von den vierzig tausend der hat das nächste Nachbarn den Noteneintrag – den sechsten Eintrag und den vierten Eintrag – sieben gelernt also der Punkt hier mit der Nummer null von dem Raster – hat als nächste Nachbarn – den Noteneintrag – den sechstens der letzte Eintrag und den – vier dass meine nächsten Nachbarn – für den ersten Punkt sind natürlich gab es jetzt weiter vorangehende – Witze großartig erst mal nichts tun denkbar schlecht das und – das ist was mit Finesse nach Warnfunktion – gibt's für drei Nachbarn was sind in meinen nächsten drei Nachbarn – wissen sie von da aus weiter gehen mit der Mehrheitsabstimmung – sind davon die meisten Glaube sind davon die meisten – Rot – und das werde ich dann für meinen Punkt ✂ bitte weiß gibt es im heißen Anka unter eingebaut und sie können einfach abziehen lassen wie häufig kommt was vor dem ich dieses Y vom jeweiligen Y ist ja zu dem Punkt ist der null oder ist der einst zu den Punkten dichter habe das ich mir sagen null eins ich zähle jetzt wie man wohl wieder mal eins und dass sie mit den häufigsten geben muss ich mal gucken was ?? jetzt zurück ist ?? gelistet zurück ganz ganz fürchterlich – dass wir die häufigste Farbe geben was es vermeint deines Nachbarn die häufigsten haben und das verzichtet tatsächlich das Wiedersehen – Details kann man sich im Einzel ?? – durchbrochen – Punkt es war das Ergebnis an – das ich also anders aus als eben – das ?? gerade zu verstehen – Komma nachvollziehen – das es jetzt mit den drei nächsten Nachbarn wirklich das Ergebnis liefert – Schwanz zur Freude und das blaue ?? das sieht komisch aus sich wirklich darum jetzt Sohn Klaus drei – Baumarten sind mit den drei nächsten Nachbarn ?? hatten wir das nicht dieses komische blaue Dreieck – es ?? oder Blaustrike – passiert das – so sehr muss das blaue Dreieck weil in diesem blauen Dreieck – dieser blaue – der blaue und der rote die nächsten drei Nachbarn sind blau gewinnt – mit Sitz hierüber gehen – ist dieser wurde dieser rote – und der blaue – sind das die drei meisten Nachbarn und es wird rot werden – wenn sich hier sind – das schon erstaunlich wenn sich hier sind der eine blaue ?? der rote und der rote – und wieder gewinnt Roth also dass man die nächsten K Nachbarn – okay ihr müsst niemals heißesten Jahres für die nächsten K Nachbarn benutzt und dann Abstimmung macht wird erst mal robuster – kann aber auch komische Effekte haben sehen Sie hier das ist das klassische Ranking ihres Nebels – man merkt sich alle Punkte die man lernt die Speicher knapp und gut ?? eben nach wie viele davon sind meine Nachbarn – und was sind die Nachweise die es rot-blau – ist das – Ziel des Burgen sind es Flüsse – in dem Sinne dann analog – dass die Klassiker hier wissen ?? was – die nächste Stufe ist es wie C Support Vektorklasse – Feier Supportvektormaschinen – heißt eigentlich normalerweise – SVM – sofort weg ?? schien – in der – ursprünglichen – Variante – versucht das Verfahren eine gerade dadurch zu legen die beste gerade – diesem Fall jetzt blau von Rot trennt – das Fleisch für unseren Datenbestand zu leichtes Blau von ?? zu trennen – eine Blaulicht auf der falschen Seite – ?? mit den gleichen Zweck – Punkt es aussieht gesehen Punkt wer ist jetzt leider auf der falschen Seite – zu Wortvektor – beschien versucht – mit einer geraden oder dann wenn sie mehr Dimensionen haben natürlich mit einer Hyperebene – durch den eine Million dimensionalen Raum eine neun hundert neunundneunzig – tausend hundert neunundneunzig die Messe mal eben zulegen das in zwei Hälften zu teilen so gut es eben geht sie in mittlerer Ebene mit der gerade fusioniert sich wirklich gut ?? Bindestrich den ein blau nochmaliges – S fünf eins – war etwas hat groß etwas sinnvoller aussieht – fünf eins den mach ich auch gerade rot – ist es hoffentlich mit Support Vektor – und Version etwas besser so ?? sie das im Lehrbuch aus – Ortsvektor schien – es auf Wikipedia nachschlagen – ?? die beste gerade unseren eben die beste Hyperebene – ihre Daten Trendwende sich trennen lassen – wenn sich das Licht so trennen lassen ?? Glück gehabt – da macht das Verfahren das perfekt – wenn diese eine Punkt darunter blaues – in sie kann das offensichtlich nur ordentlich funktionieren ?? gibt es im Optimum – aber nichts perfektes – ?? Supportvektor – sind dann – unternahm er nicht Supportvektor – sind die Punkte – die hier dieser Ebene wurde jetzt gerade – diese eben am besten – also hier offensichtlich – scheint es dieser blaue Punkt zu sein und dieser Route Punkt und dann auch noch mal dieser blaue Punkt diese gerade hier scheint – von dem blauen hier denselben Abstand zu haben wie von dem blauen ?? von dem roten das wäre dann der sogenannte Support Vektor der Unterstützungsvektor – alleine Punkte können Sie weglassen – ist dem blauen Gepäck lassen – sich nicht ändern diese gerade so bleiben wird dem Boden den Boden – den roten weglassen müsste sie gerade auch so bleiben es ?? Supportvektor – sozusagen unterstützt ihr diese Ebene und alles andere ist eine gab sie müssen sich nicht mehr alle Punkte merken – müsste sich eigentlich – ?? Support Vektor merken oder sie merken sich sogar nur noch einfachere – Ebenendeiche – beziehungsweise ?? geraden Gleichung – und haben dann alles klassifiziert – das ungeschickte ist natürliches ist gerade – was es nicht toll ich mach den immer wieder zum Original – über Jahrzehnte später ist jemand drauf gekommen – das hier mit dem Supportvektor – das kann man viel raffinierter machend – sind sich der kalte Krieg – der Kerntrick – Beistrich sowie was Deutsch übersetzt in Mathematik ?? könne ein Kern – die zum Beispiel – einen ganzen Filter anwenden diese Browserfunktion – wäre dann der Kern – mit etwas veraltetes – heißt auch gerne der Kern – nicht der Kern einer Matrix – begann eine Nierenabbildung – ?? zu seiner Bedeutung – der kleine Trick das üblicherweise an wenn sie das ist nicht Berlin ja es wie sie das andere es wie sie das was man üblicherweise macht – es gibt Einträge für sie ziemlich ausführlich ausbuchstabieren – viel Mathematik die einem dann doch nicht so viel hilft man es jetzt alle Skala Produkte – durch ein Kabel – und geht damit ins hochdimensionale – ohne jemals damit zu rechnen ?? mit Defekt was sie das alles hinter die Kulissen gesehen was passiert vier Zeilen was wird passieren – sie trainieren dieses Verfahren an mit den sieben Datenpunkten – und jetzt habe ich eingefärbt – was das Verfahren vorher sagt – für alle nicht für alle sondern für zwei hundert mal zwei hundert ?? sind am Rand des Missing Raster für zwei ?? Nummer zwei hundert Datenpunkte – es gibt zu diesem Verlust hier kleinen Verschnitt der ist tatsächlich drin aber es lernt eine halbwegs runde Form – des gegen sie persönlich mit ?? Supportvektor – schien da nicht die ursprüngliche lineare Variante – sein kann ?? Trick macht es dann möglich – dass man runde Figuren lernt – die nach dem dieses einstellen – sie das sichere Regeln wie rundliche Figur werden soll offensichtlich sollte nicht so rund werden sie genau um alle Punkte schon umgeht – das wäre zu gewagt man möchte natürlich eine möglichst – glatte Figur lernen diese Einstellung ist auch schon komisch komisch – das es ?? die klassischen Verfahren – und netterweise gibt es jetzt in der allerneusten Version zwei tausend sechzehn eben null eins acht auch neuronale Netze drin – als letztes an – das man das Ergebnis – das hier ist – ein – mal zieleuerer – das schon klasse Feier MLP siebenmal Teleerpresserprozesse – Feier die übliche Art neuronales Netz – man Klammer auf – die dreißig endlich auch kleine – Zwischenergebnisse ausgegeben – ?? das passiert – was im Prinzip das selbe in grün wie gehabt – das sieht dann so aus – wie das ?? besser oder schlechter aus als der Supportvektor – kann sie Feier in ein sich der blau oder drinnen unter Rotlicht immer noch daneben ?? man hat zumindest etwas gelernt was der Figur Dieter ursprünglich gestanden hat mit den blauen Punkten geboten Punkt – echt klar Punkt – für den Zweifelsfall natürlich mich mit zwei Dimensionen reingehen – sondern mit hundert vielleicht – tausend Dimensionen reingehen ?? aber im Prinzip ist das schon viel ähnlicher zu dem was bei Google hinter den Kulissen passiert – also einfach auch wieder – nur eine Klassifizierung – die man jetzt gelernt hat wenn die Messwerte sind zwei zwei dann sagt hier – der – Malteser ja besser Punkt ?? feier – ich dann gelernt habe sagte Roth – nicht gemessen hätte wir – drei – ?? auch sagen rot oder – rot immer bedeutet und – dass großes Unwissen im Detail an ?? das ist das verschiedene Lernverfahren was aktuell in Mode ist die andern sind nicht so viel schlechter sind eben nur nicht in Mode aktuell das mit den – neuronalen Netzen ist Unfug – was da passiert – das – schon mal Diller besser Punkt sie haben ihre – Werte mit denen sie ?? eingebaut war sie nur zwei – diverse interessanterweise – schon als ?? Zellen – gemalt – Neuron gemalt was ein bisschen unsinnig ist das sind meine nackten Zahlen mit den ich eingehen – aus eben nur zwei Zahlen und wenn zu Bilder geht wahrscheinlich tausend Zahlen oder zehn tausend Zahlen – ?? dass es eine Schicht ein Lehrparty – werfen sich in ?? das ist ein leer – und normalerweise – wird man dann jeden Layers haben das ich es wirklich Neuronen sozusagen – eine ganz – karikaturhafte – Art von Nervenzellen – die benutzen – die Daten die sie kriegen aus den Eingabezellen – hier aus dem Input leer – Beistrich es war alles mit allem verbinden – so viele Striche zu zeichnen – als eine Schicht an Nervenzellen dann könnte vielleicht noch so eine Schicht dahinter sitzen die vielleicht auch standardmäßig – so mit allen verbunden ist ?? Fußball mit allen verbundener – goldene Ausgabeschicht – typischerweise nicht ganz viel – bei uns ist jetzt die Ausgabeschicht – ein einziges Neurose müssen ?? nur sagen Ja Nein – kommt eine einzige Zahl raus wenn sie sagen wollen – und Kratzeburg – verbrauchen sie offensichtlich mehrere Neuronen – in der obersten Schichtoutput – und das werden hier – so schön heißen hinten Layers die verborgenen Schichten nicht Eingabe nicht Ausgabe – und echte – Neuronen – gibt es hier nur bei der Ausgabe – und in den verborgenen – Schichten – damit gerechnet – die Verrechnung wirklich ihre Eingaben – und Input ist einfach das was ehrenwerten Kriegen – zu Kringel daneben dass es ein echtes teureres jetzt meine Bezeichnung – ewiglich gerechnet ?? nicht – weiter aus neu und ganz anders funktioniert – im Kopf – eine Karikatur – von dem Wasneuron – tun – was sie jetzt in das ?? Malteser – ja weshalb schon mit deshalb dann auch versteckten – Schichten – was sich jetzt angucken was bei den Ausgabeneuronen – ankommt – Künstler neben deinen Zertifikate – draus machen – im sagen dieses feuert – Münzen und ist dieses forderte Katz ist das Feuerwehrauto – zum Beispiel so – was rechnet so ?? – wenn sie sowas Jahren – kommen Eingänge reines kommt ein Ausgang raus – ?? das X eins sechs zwei sechs drei sechs vier sechs – fünf und es kommt ein Ausgang raus ?? Y – was passiert wo kommt das Y jetzt her was rechnet dieses Ding ✂ zu gewinnen also eine gewichtete Summe – irgendein Gewicht das es eingestellt – einmal – ein Gewicht mal X eins plus ein Gewicht mal X zwei plus und so weiter für diese ganzen WS plus ein Gewicht mal – mit zwei Gedichte schreiben soll X fünf eine gewichtete Summe dürfen auch negativ sein zu Sankt möchte diesen Wert abziehen von dem ersten – das ist es noch nicht ganz wenn es nur das wäre – dann die Wrestling ja dann bräuchte ich jetzt nicht diese mehreren Schichten – wenn jeder von denen einen Jahr Funktion des Konserven als Ende eine einzige lineare Funktion setzen sie nichts gewonnen durch die verschiedenen Schichten – man baut hier jetzt noch ?? naht Schwellwert – ein mehr oder minder starken Schwellwert ein Design Y ist eine Funktion – von diesem Krempel – und diese Funktion – sieht zum Beispiel – so aus das wäre die ganz billigste Funktion – wenn was negatives rauskommt aus ihrer gewichteten Summe dann sagen Sie dieses Neuron – feuert überhaupt nicht null – was positives rauskommt sagen sie – über die positive das wird umso mehr Feuerwehr – zu Nichtlinear – andere Funktion – nicht ganz so einfach wäre sie konkret wie sie so schön heißt sie hier besonders schönen weichen Kurve der durchgehen oder muss man so viel rechnen mit einer weichen Kurve – wird tatsächlich erst mal sowas wir versuchen – horizontal – von links kommend und dann – in der Diagonalen der Klient das ist die simpelste Funktion die reicht normalerweise – muss hier nicht so schön – was bauen Expressaffen – zur Lösung des Dauer doch Ewigkeit es auszurechnen – hatte ihr der hier – das passiert – zum Schluss und das ganze noch besser fusionieren zu machen – möchten gerne diesen Nullpunkt verstellen vielleicht möchten Sie wenn ihr was negatives rauskommt dass die Funktion trotzdem feuert – das die Funktion so nicht – so leicht wie sie da gerade gezeichnet habe – debattierten wir normalerweise noch was drauf ein Versatz – eine Vorspannung – Bayers – Serie Business auf das hin und her schieben zu können das es alles was ein Neuron macht ziemlich banale Rechnung – sie an müsse man sowas auch gerne mit Grafikkarten heutzutage macht das hier massiv parallel – Multiplikationsaddition – abschneiden – das wunderbare – Operation – um die parallel zu machen gibt's kein ist kein vor und ähnliche Sachen die komplex sein könnten das nur sie einfach brutal durch mit Arithmetik – plus Mahl – und Abschneiden – nicht mal unbedingt elektrischer Funktion dieser fürchterlichen Baisse um die Gleitkomma redigiert – das passiert hier jeweils – der Job ist jetzt diese Gewichte zu bestimmen und Bayers zu bestimmen – darin besteht das Lernen – bei den nächsten Nachbarn haben uns einfach – alle gemerkt – ganz brutal die Lösung bei der Support Vektormaschine – merkt man sich die Lage der Ebene – dass das Lernen bei sofortigem Archiv des Lernens hier besteht darin dass man diese Gewichte – den Bayers anpasst – die muss man lernen – sei das schwierige an der Stelle als Wasserrechnung – relativ einfach – der Mechanismus zum lernen ist schwierig – diese Gewichte anzupassen – damit es besser funktioniert ich präsentiere – ein bestimmtes Bild ein bestimmtes Muster – ich weiß was am Ende rauskommen sollte sich die Gewichte so einstellen – das es besser passt – das Wasser schwierig ist an der Geschichte dafür gibt's diverse Algorithmen – und je mehr Schichten man hat Deep Learning – sieben hundert Schichten dazwischen haben umso schwieriger wird das diese Gewichte – und des Bayers zu lernen – aus den Daten – der ?? besteht die Kunst davon nun Algorithmen hat mit dem das vernünftig funktioniert auch ?? nicht nur zwei Schichten dazwischen sind Unterschichten dazwischen sind – man kann sich in heißen – Zynismus anzeigen lassen was heißen jetzt rausbekommt – einigen – das hochscrollen sehen Sie Punkt – es hat immer nicht zum Lernen gereicht ?? auch bis in Daten und das zu lernen ist und sich vorstellen – wenn also die sieben Trainingspunkte reinkommen – und sie haben so viel zu lernen – das wirklich ganz reichen – folgendes gemacht – damit das besser funktioniert ?? bei mir Daten kriegen wir folgendes gemacht – meine Daten – wunderbar vermehrt – ich gehe achtmal durch meine Daten durch und hänge die Daten noch mal dahinter – mit Zufall verziert – einfach nur um mir Daten zu generieren jetzt auf die Schnelle – und seien Sie vorsichtig – auf diese Weise gestern ein Neustart gegönnt schreiben sie dann nicht statt acht mal gerade dreißig rein es verdoppelt sich jeweils die Menge an Daten ich hänge die gesamten Daten Nummer neun in der Vorsicht nicht der Zahl acht Gruppenspielen – ohne nachzudenken – jetzt habe ich also viel mehr Daten diese Warnung sollte verschwinden sollte ?? zu lernen ?? kann man gucken was passiert dann immer das mal auseinander – was ihr seitlich eingestellt worden ist welche Neuronen – in welcher Schichtplan – und so weiter – so dessen wir sie Daten – wunderbar vermehrt – durch Zufall – sehne jetzt – sogar Halbvisier mit unserer – Masse fast ?? Parabel dadurch geht sogar bis zu den Daten ist der Lignin oder – was kann ich es einstellen – ?? besteht eigentlich die größte Kunst erstellen Sie darin jetzt ein wie viele Schichten machen Sie wie viele Neuronen in welcher Schicht das ist ein endloses gebastelt Komma das nicht systematisch veranstaltet – was in dem jetzt mitgeben können hier dem mal die Leier besser zur Klasse feiern – sie die mitgeben können ist wie viele Neuronen sie in den verborgenen Schichten haben wollen wie viele Neuronen sie am Ende haben es klar – wenn sie was eindimensionales – Lernen ist am oben ein einziges Neuron und Feierabend – Klammer zu ?? drüber diskutieren – aber die Neuron in den verborgenen Schichten diese Zahlenwerte – können Sie einstellen – wie viele sind hier die Zahl der Inputs ergibt sich aus den Daten sie lernen sie auch nie einstellen – die Zahl der Neuronen in den verborgenen Schichten – müssen sie einstellen – können Sie einstellen dürfen sie einstellen – wenn sie es sagen ein Liste mit der Zahl dreißig – dann haben sie eine Schicht dazwischen eine verborgene Schicht mit dreißig Neuron – und sonst nichts was mich minimal – ausgeben – lassen – kann sich jetzt nämlich ausgeben – welche Gewichte gefunden worden sind welche – Bayerswerte – gefunden worden sind durch die Optimierung – dass die Version ganz undurchdringlich – ja vorher einmal ausgeben lassen welchem Format das es kommt wir kriegen nämlich – zwei – Rays ein Reh – zweimal dreißig – und eine Ray dreißig mal eins dass die Restitutionscomics – vergrößerten – Chance was zu lesen – bekommt das erste – ?? und dann kommt noch eine – unsicher Komma offenbar diskutiert ?? gleich – ein zwei mal dreißig ?? ein dreißigmal einzelne – bekommt dieser Kennziffer jetzt auf diese Formate – Beistrich so viele Zahlen ✂ das ?? Klammer auf also zweimal dreißig dreißig mal einklinken wir haben gesagt dreißig Neuronen der verborgenen Schicht – richtige zwei – Eingabewerte – diese beiden Koordinaten – X einzig zwei – ?? Input und dass er keine echten Neuronen bekommen einfach die Werte an das habe ich dreißig – mal nicht alle hin – habe ich dreißig Neuronen – in der – Entleiher – nur eine verborgene Schicht – ohnehin leer – und ich habe ein Ausgabe Neuron das nach ?? Saft blau oder rot – aus der Optimierung ab zwei ?? Beistrich – zwei mal dreißig Zahlen sie adressiert – und dreißigmal – eine Zahl – wo stecken diese Zahlen – was beschreibe ich damit ✂ als die Gewichte erst mal – dieses Neuron – hat zwei Gewichte – wie vielmal – dieser Eingabe wie vielmal dieser Eingabe – das nächste zwei gewichtet wie vielmal diese wie vielmal diese das nächste und so weiter Sie alles bis zum Schluss durch dessen zweimal dreißig Gewichte – für jedes dieser dreißig Neuronen brauchen sie zwei Gewichte – die werden ermittelt durch die Optimierung das es erlaubt Optimierung des Lern steckt in diesen gewichten – Ausrufungszeichen – und dann gab es noch dreißig weitere – sie ansetzen die Gewichte für den hier oben für unser Ausgabe Neuron das auf dreißig Gewichte – um die miteinander – zu verrühren aus dem Inlay an sie sagen – lerne mit dieser Funktion – und was der Algorithmus macht merkt sich nicht über Juristenebershalle – ?? optimiert – und nicht wie bei Supportvektor – bestimmte eine Ebene – krummes Beistrich raffinierter machen sondern er versucht die Gewicht zu lernen die Gerichte richtig einzustellen – und die Bayerswerte richtig einzustellen – ist es ihm als erstes kriegen sie die gesamten Gewichte können sicherte sich diese Werte nehmen an seiner – Seite die eine Eingabe bei minus null Komma null sechs und die andere Eingabe und so weiter und so weiter – es sind diese hier und dann aus der inneren Schicht heißt dass – das Versagen des links Außenneuron – aus den inneren Schicht dessen Ausgabe werden sie mal null Komma drei acht davon ziehen sie ab null Komma null null drei – mal den Wert vom nächsten – und der verborgenen – Schicht minus – null Komma zwei sechs maliger Vermissten darunter Verborgenschicht und so weiter und so weiter und so weiter das ist was das Neuron ganz oben macht es jetzt rausgekommen ist sind die Gewichte – aber es reicht eben nicht die Gewichte brauchen ja auch noch die Bayerswerte – diese Verschiebungen – gibt auch das heiße Wetter selbst Achsenabschnitt – natürlich wie auch sonst Risiko erst die Koeffizienten – und die in der selbs – QS sind die Gewichte und Inter selbst – Achsenabschnitte – die Bayerswerte – die Verschiebungen – die gibt's dann auch noch mal dreißig mal Verschiebung für jedes Neuron in der verborgenen Schicht eine Verschiebung – jedes getrennt verschieben und noch einmal – für – das Neuron – obendrauf was die Ausgaben achtunddreißig – werde das macht ihn diese Optimierung – dann an sie auf es ob sie das Licht mit sieben Punkten an trainieren können um diese Menge an Zahlen hierzu bestimmen optimal – sind sieben Datenpunkte doch wissen – Verbrauch einiges an Lernmaterial – im Januar wurden sie haben es zu mehr Gewichte haben sie es recht insbesondere sie alles mit allem verbinden hier ist jede Schicht kommt etliche anderen Schicht verbinden – extrem viele Gewichte viele preiswerte – aber noch viel mehr Gewicht – und das zu optimieren brauchen sie auch extrem viele Trainingsdaten – dass es auch was eben erst in den vergangenen Jahren wirklich gut funktioniert wir haben diese massiven – via Google und Facebook haben diese massiven Mengen an Trainingsdaten – die man dafür braucht ?? das wäre also relativ einfach noch eine Schicht eingezogen mit dreißig – Sekunde dick aber auch sagen Doppelpunkt zwei Schichten – eine Schicht mit dreißig Neuron unten direkt über Eingang und darüber noch Schicht mit zwanzig Neuron – zu zeichnen – also nicht so sondern – Output wieder – so Dezember zwei Schichten eine mit dreißig – bei der Eingabe und eine andere mit zwanzig – darüber – so sieht es jetzt aus – und von Schicht zu Schicht ist jetzt tatsächlich alles komplett verbunden – diesen komplett verbunden diesen komplett verbunden – also eine Explosion – in den anzahlen – das komplett verbunden und diese komplett und das habe ich es konstruiert in dem ich einfach ?? zwanzig in ?? geschrieben habe zeigt im Algorithmus auch macht doch mal eine weitere Schicht mit zwanzig darunter – das ist schon extrem komfortabel – laufen lassen mit dreißig und zwanzig – will sie sind – ?? anderes Bildid – hübscher jetzt wird es Beistrich das sich allmählich über den was ist jetzt besser was ist denn schlechter – sie müssen eigentlich noch mal Testfälle bereit legen unabhängig von dem was jetzt müsste man aber Testfälle bereit legen – und damit den Testfällen gucken wie viel Prozent werden jetzt richtig klassifiziert – Prozent werden falsch klassifiziert – also eilig ist es normalerweise so funktionieren – sie haben – was weiß ich hundert tausend Datensätzen um das System an zu lernen – aber deine Hand sieht noch mal zehn tausend an Datensätzen – zu gucken ob das System richtig gelernt hat – Komma vergleichen weil sie bisher kann ich ja wie ist es in Wirklichkeit – die zwei null sollte rot sein oder blau sein sie müssten ?? aber Beispiele haben zu gucken ob das System besichtigen ✂ warum die zweite Schicht für komplexere Funktionen ?? die erste Schicht – da habe ich typischerweise – diese Funktion eingebaut – wie in Gleichrichter Ressourcen Gleichrichter – diese erste Schicht kann Gleichrichter machen aus irgendwelchen Linearkombination – und die nächste Schicht gemacht ?? normale Gleichrichter – aus dem Jahr Kombination von diesen leicht gerichteten Geschichten – können sich vorstellen – war so viel rumbasteln – gleichrichten – müssen gleich richten so richtig variabel wird das nicht werden und die haben sie jetzt drei davon hintereinander – von diesem Funktion – sie können wesentlich kompliziertere – Funktionen – abbilden darstellen – bauen vielleicht ?? so sagt sie kann auf diese Weise wesentlich günstigere Funktion bauen in dem sie jetzt einmal – mischen – Gleichgewicht miteinander haben als hättest du zweimal – je mehr Schichten sie haben – umso feiner – könnte Funktion die man jetzt gebaut – gebildet werden Funktionäres – des Vorständen dieser Ebene – sie können – sie nicht detailliert dann diese Funktion war das relativ einfach zu zeigen ist es nicht so tief schlürfen wenn sie hinreichend viele Ebenen wir erlauben dann können Sie auch beliebig genau eine Funktion bauen die sie haben wollen mit einer Ebene werden sie nicht alle möglichen Funktion bauen können mit zweien auch nicht mehr Ebenen sie nehmen des so interessantes mehr Gestaltungsmöglichkeiten – hat man – was auch ein Nachteil ist das Problem ist nämlich wenn Sie folgendes lernen – ist es Ober learning das Phänomen – wenn das System zu gut ist wenn es mich folgendes lernt wenn es offensichtlich was schief gelaufen – er sich vor das Bild sehe so aus mittels Wissen Spiel mit den Werten das Gespann auch in ?? Hausaufgabe spielte mit den Werten um das hinzukriegen – das wäre oder warum wäre das nicht sinnvoll wenn das das Ergebnis ist wenn sie ihre Werte – hundertprozentig – scharf abbilden ✂ ?? Doppelpunkt ?? Leerzeichen mit deutlichem – ?? hier wäre noch ein blauer – blauer – blauer – ?? noch ein roter – noch – blauer – führten sie diese Grenzen glauben wohl nicht für das ganze einfach nicht mehr glauben wollen ich würde mir vermuten das welche irgend ein Problem mit Streuung haben das – nach hier auch ein blauer Lichtblick noch mal nach Messe und das mache auch hier ein roter Licht auf der Seite will ich noch mal nach Messe – ich würde nicht glauben dass meine Messpunkte die so genau sodass ich jetzt so genau – jeden einzelnen singen kann – das wäre zu viel des Guten hier müsste man viel mehr sagen Punkt daraus ist jetzt aber nicht das ?? für so an einer Karte dran erweist es sich da bin ich mir relativ sicher blau aber hier müsste ich jetzt sagen – das es sehr unzuverlässig – möchte ich lieber nicht zu sagen bei dem Boden gelieferter Sage okay deine Umgebung ist rot – also wenn sie genau die Struktur ihrer Daten anlernen – ein Lernen dann es ist höchstwahrscheinlich – zu viel des Guten – sehr – Cartoonhaft – wenn ihr – dann so aussehen – wenn es offensichtlich irgendwas schief gegangen – so kanns nicht sein im wahren Leben das wäre – unplausibel – es sollte viel weicher sein ?? war also wenn das hier zu weit treiben zu viele Ebenen – zu genau lernen – dann wird es höchst wahrscheinlich nicht funktionieren – und jetzt sehen Sie hier dass die Zahl der Werte natürlich – explodiert – wir kriegen jetzt Gewichte – von jedem Neuronen in der unteren verborgenen Schicht zu jedem Eingang das sind diese sechzig Werte – dann kriegen welche das knallt rein – geringes dreißig mal zwanzig Werte zur vollständigen Verbindung – zwischen den beiden verborgenen Schichten – zwanzig Euronen oben sind mit dreißig Neuron unten verbunden jeweils ein Gewicht und hier für die Ausgabe – zwanzig werde die machen den Braten nicht fett und entsprechend ?? von Scott Holzkreuz – sprechen bei den preiswerten Bedingungen anfangen – da für jedes Neuron ein Bayers wird das relativ wenig – die Gewichte zwischen den beiden verborgenen Schichten – sind massive können ?? gucken was passiert – weiter über hundert in der untersten Ebene hundert ?? drüber und noch eine mit hundert – schon an der Grenze eben wo man doch Angst kriegen muss dass es zu genau macht – das wieder fast nicht so viel anders aus sie sehen dass diese Form hier am Rand doch allmählich etwas komplizierter wird aber scheint nicht mehr so viel zu bringen ?? immer noch im Rahmen des möglichen wäre nicht Uwe learning – ich sollte vielleicht mal meinem Werte mit denen ich ✂ gerne etwas mehr streuen lassen ?? nicht ?? Komma fünfte Sie etwas mehr streuen – die Gäste wirklich durcheinander – für das böse genug – besser zu genau lernt – und ?? verallgemeinert – ich musste meine Punkte schalten soll – sieht immer noch gut aus ?? erstaunlich freundlich was das angeht – sie dass diese Randkurven ist jedoch richtig kommuniziert zu werden scheinen aber sie bleiben immer noch ordentlich glatt – Komma vergleichen – Punkt wenn nur dreißig – sagen in der untersten Schicht dreißig – dann sollten die ?? etwas – runder werden – sie aber nur Mittelwert bilden gleich Richten Mittelwert bilden gleichrichten – sollte nicht so kompliziert werden dürfen von der Form her sind wir dann etwas runder – viel komplizierter sie das erlauben umso genauer vom Fahren die Form der Daten aber schon ein sehr freundliches System – er das zu den ?? Netzen – gehen einige – noch zu heißen Punkt hierbei wird – das wäre jetzt Supervised Learning ✂ belebende Daten ich sage an als zweiter für deine null drei fünf dafür deinen und so weiter gelähmte Daten Supervised Learning – Klassifizierung – ?? jetzt klassifizieren alle das rot oder blau – die zweite artig erwähnt hatte Maschinen – an super weist Clustering – Sippe zu verfahren was da eingebautes – sind Herbstes genauso angefangen es ohne Labels keine Labels Siemens verharren sie eingebautes Chemie ist sie sagen an wie viele Cluster sie haben wollen das könnte man auch noch automatisieren – aber erst mal sagen sie an wie viel Klasse sie haben wollen sagen möchte sieben Cluster haben die Börsenwerte vorgegeben – möchte sieben Cluster findet in diesem vorgegebenen Werten – der Gittern auf die Suche versucht das LED zusammen zu gruppieren – oder sich Labels habe sozusagen selbst ?? bis dran zu setzen welche gehören zusammen – Clustering – das ist das übliche Beispiel dafür – an super Weißdorn – und es funktioniert erstaunlich gut finde tatsächlich diese sieben Zentren wieder – lebendiges erwarten eingefärbt – stellen sich vor sie haben somit Sammlung an Punkt – statt mit den sieben und störe immer zufällig – sie haben die Sammlung auf Punkt ohne Einfärbung – dann trainieren sie das System an und das System lernt automatisch wies dieses jetzt Einfärben muss wozu die gehören – sieben Clusterwertes – vollautomatisch – auf ziemlich banale Art dass es Chemnitz – sieben Mittelpunkte passiert ?? zufällig – ordnet die Punkte jeweils zu zum nächsten Mittelpunkt – bildet man noch mal den Mittelwert und müsste jetzt der Mittelpunkt liegen und das interessiert man sich nicht mehr bewegt ?? ganz banal eigentlich alles von zuletzt grandios gut wie Sie sehen – das geht natürlich auch noch besser so können Sie sich an Supervised Learning – vorgestellt automatische Gruppenbildung zu