Kurs:Maschinelles Lernen/Klassifikation - elementares Beispiel

Einleitung

Bearbeiten

Diese Seite zum Thema Kurs:Maschinelles Lernen/Klassifikation - elementares Beispiel kann als Wiki2Reveal Folien angezeigt werden. Einzelne Abschnitte werden als Folien betrachtet und Änderungen an den Folien wirken sich sofort auf den Inhalt der Folien aus. Dabei werden die folgenden Teilaspekte im Detail behandelt:

  • (1) Hochspringer - Höhe, bei der die Latte gerissen wird
  • (2) Trainingsdaten und die Veränderung von Trainingsparamtern

Zielsetzung

Bearbeiten

Diese Lernressource zu Kurs:Maschinelles Lernen in der Wikiversity hat das Ziel, die Klassifikation an einem in der Schule behandelbaren elementares Beispiel zu betrachten.

Zielgruppe

Bearbeiten

Die Zielgruppen der Lernressource zum Thema Kurs:Maschinelles Lernen/Klassifikation - elementares Beispiel sind

  • Studierende im Fach Mathematik - Lehramt
  • Schüler:innen im Fach Mathematik - Sekundarstufe I

Lernvoraussetzungen

Bearbeiten

Die Lernressource zum Thema Klassifikation werden für das elementares Beispiel die folgenden Lernvoraussetzungen vorausgesetzt:

  • Lernen als algorithmische Veränderung von Trainingsparametern,
  • Schwellwerteigenschaft eines Neurons, das bei Potential oberhalb des Schwellwertes feuert und unterhalb des Schwellwertes inaktiv bleibt.

Aufgaben für Lernende / Studierende

Bearbeiten

Mit den folgenden Aufgaben wird der Schwellwert eines Neurons in einem neuronale Netz als Trainingsparameter verwendet. Die Zughörigkeit zu einer Klassen wird durch den Erregungszustand (0 oder 1) kodiert. Das Neuron soll in dem Beispiel bei einer Höhe als Impuls feuern, wenn eine Hochspringerin eine bestimmte Höhe nicht mehr überspringen wird.

Klassifikation

Bearbeiten

In diesem Beispiel wird das Intervall   durch den Lernprozess in zwei Teilmengen (Klassen) zerlegt:

  •   Höhen, die die Hochspringerin, die Höhe wahrscheinlich nicht überspringt
  •   Höhen, die die Hochspringerin, die Höhe wahrscheinlich überspringt

Gesucht ist ein geeignetes  .

Klassifikationsfunktion

Bearbeiten

Die Klassifikationsfunktion ist eine Indikatorfunktion   mit

 

Trainingsdaten

Bearbeiten

Die Trainingsdaten stammen aus  :

  •   bedeutet, dass die Höhe   übersprungen wurde,
  •   bedeutet, dass die Höhe   gewissen wurde,

Training der Clustermitten

Bearbeiten

Die Entscheidung soll nun über Clustermitten und deren Abstand erfolgen. Trainingsdaten der Form:

  •   wird der Klasse   und
  •   wird der Klasse   zugeordnet.

  und   sind die Clustermitten, mit denen der Schwellenwert   definiert wird.

Aufgabe - Training

Bearbeiten

Implementieren Sie diesen einfachen Trainingsalgorithmus in R und füttern Sie den Algorithmus mit Daten, beim dem die Hochspringerin im Laufe des eigenen Trainings im besser wird und größere Höhen überspringt.

Aufgabe - Fuzzy-Logik

Bearbeiten

In der Nähe des Schwellenwertes ist die Vorhersage schwierig, ob die Hochspringerin den Höhe überspringt oder die Latte reißt. Wie kann man diese Unschärfe durch Fuzzy-Logik ausdrücken?

Aufgabe - k-Means - Verfahren

Bearbeiten

Untersuchen Sie das k-Mean-Verfahren und vergleichen Sie den Ansatz mit diesem elementaren Beispiel!

Beispiel

Bearbeiten

Übertragen Sie dieses einführende Beispiel zum Thema Maschinelles Lernen und Klassifikation auf die Klassifikation "große Zahl/kleine Zahl" und erläutern Sie, wie diese Klassifikation von der Reihenfolge der Trainingsdaten abhängt!

Vergleich - Markov-Modellen

Bearbeiten

Vergleichen Sie diese elementaren Zugänge mit Markov-Modellen für ein adaptives Training [1].

Literatur/Quellennachweise

Bearbeiten
  1. Gales, M. J. (2000). Cluster adaptive training of hidden Markov models. IEEE transactions on speech and audio processing, 8(4), 417-428.


Siehe auch

Bearbeiten

Seiteninformation

Bearbeiten

Diese Lernresource können Sie als Wiki2Reveal-Foliensatz darstellen.

Wiki2Reveal

Bearbeiten

Dieser Wiki2Reveal Foliensatz wurde für den Lerneinheit Kurs:Maschinelles Lernen' erstellt der Link für die Wiki2Reveal-Folien wurde mit dem Wiki2Reveal-Linkgenerator erstellt.