Machine Learning Fiktion und Realität - Februar 2021 - Swiss Engineering STV
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Machine Learning Februar 2021 Fiktion und Realität
Realität und Fiktion
oder aber FOMO
Machine Learning Publikationen:
Springer Link: 22‘771 (D2.3%, E97.1%, Rest 0.006%)
Amazon: >10‘000
04.02.2021 © Alex Marti 2021 2
Angst gehört auch dazu
Wobei genau lesen hilft…
Ein 76 Seitiges Dokument, das zig
Bücher erwähnt, diese dann nicht
berücksichtigt und dann noch
das berühmte Beispiel
bemüht, wo ein Schmetter-
ling mit dem Flügeschlag
einen Orkan auslöst
(ist widerlegt).
Auf zwei Seiten dann
eine einigermassen wissen-
schaftliche Abhandlung über die
Kontrollierbarkeit von Computern
Erkenntnis: nicht anschliessen – aber
dann kann man sie nicht mehr nutzen.
Der Artikel: https://www.jair.org/index.php/jair/article/view/12202/26642
04.02.2021 © Alex Marti 2021 3
Geschichte Alter Wein in neuen Schläuchen Lineare Regression 19.JH: Sir Francis Galton Polynome Regression 1810: Joseph Diez Gergonne Weitere Regressionen 1970: ARIMA von George Box and Gwilym Jenkins Künstliche Neuronale Netze 1958: Psychologe Frank Rosenblatt entwickelt das Percepton 1959: Bernard Widrow & Marcian Hoff entwickeln MADALINE Klassifikatoren 1963: Support Vector Machine V. N. Vapnik and A. Ya. Chervonenkis 02/04/2021 © Alex Marti 2021 4
Klassierung & Prognose
Classification & Regression (Regression = Prognose) gibt es schon lange
Regression
X
Y X 20
1 1 18 R² = 0,9365
2 3 16
6 5 14
7 7 12
9 8 10
10 13 8
15 16 6
4
2
0 Wenn ich 16 als Input habe
0 2 4 6 8 10 12 14 16 18
Klassifikation
Lineare SupportVector
Regression¹ Machine¹
¹siehe Weitere Links
04.02.2021 © Alex Marti 2021 5
Machine Learning BS Bingo
Zum Angeben und nachlesen
Realität
Diagnose
Keine
Grippe
Grippe
True False
Grippe
Positve Positive
Keine False True
Grippe Negative Negative
F1
04.02.2021 © Alex Marti 2021
Quelle: Wikipedia 6
Use/Business Cases Klassierung
Wer ist da? Ist etwas kaputt? Ist das ein ‘n’ oder ein ‘u’?
Risse im Beton? Ab wo/wie ist nicht mehr gut?
Welche sind’s?
10’000 Bilder
am Tag prüfen?
Quelle: ML Modul
‘n’ oder ‘u’?
Classification Contest
Uni Mannheim
04.02.2021 © Alex Marti 2021 7
Use/Business Cases Prognosen
Wetterbericht und anderes
Muss die Schiene ersetzt werden?
Sicher, aber
wann
spätestens?
Benötigt’s weitere
Storage? Ja, aber
wann?
04.02.2021 © Alex Marti 2021 8
Programmieren vs Lernen
Wo steckt denn nun der Unterschied?
Input Process Output
Programmed
Analysis 100%
Design 100%
Implement 100%
Test 90%
ML Methods
Split / Shuffle Use learned ML
Input/Output
Learned
Train Data Method
List
«Attribute/Feature» Check F1 from
Test Data time to time
Optimize F1
04.02.2021 © Alex Marti 2021 9
Machine Learning lernt!
Wer lernt macht Fehler! Aber 100% Zuverlässigkeit gibt’s nicht!!
F1
04.02.2021
Quelle: SaaS Conference Bonn Fall 2018
© Alex Marti 2021 10ANN mit Taschenrechner
Auch multilayer perceptron genannt – klingt so toll
1+2+ -3+1=1 0.76 + 0.76 + 1=2.52
1
*
1
=1
0.76
weight
=2.52
2
* weight 12.22 5
1
=1
0.76
weight
-3
* weight 12.22 Korrektur Rechnen mit
1 Ableitung der
weight Aktivierungsfunktion
1
1
2.46
Aktivierungsfunktion
Bias Bias
Activation function
Hier: Sigmoid (tanh)
Hidden Layer
Viele hidden Layers = Deep Learning
04.02.2021 © Alex Marti 2021 11ANN/CNN/RNN
Artificial / Convolutional / Recurrent Neural Network
Quelle: YouTube 3blue1brown «But what *is* a Neural Network?»
04.02.2021 © Alex Marti 2021 12“Stethoscope” for ANN/CNN Layerwise Relevance Propagation (LRP) and LIME¹ Input Output Positive: blue (yes this is a 3), Negative: red (no this is not a 3) Access to Model needed Black Box approach: Local Interpretable model-agnostic explanation (LIME) ¹Bach et all (2015) plos one 10(7); Robin Schmitt Seminar Work 2020; “Why Should I Trust You?“ Marco Tulio Ribeiro, Sameer Singh, Carlos Guestrin 04.02.2021 © Alex Marti 2021 13
LRP versus LIME Quite similar 04.02.2021 © Alex Marti 2021 14
Praktisches Beispiel Heizungen
Zuerst einmal etwas Statisik
Alarm bis
Start Einsatz
Prio 1, 2 und 3 Alarme zeigen
kaum Unterschiede in der
Dauer vom Alarmzeitpunkt
bis zum Start des Einsatzes
250min ignoriert
Quelle: Summerschool 2019 DataScience Marti/Bozok/Feßen-Fallsehr, Geschwill, Oleksinski, Tusak, Marti, Arb, Nonenmacher
04.02.2021 © Alex Marti 2021 15Vorhersage der Störuung
Der Traum aller Planer
- Vorhersage von Störungen des nächsten Tages
- Bedarfsgerechte Planung von Monteuren, um Unterbrechungen zu verringern
- Anforderung zur Modell-Nutzung:
- flexible Einsatzplanung
- Aufgaben flexibel gestalten
Quelle: Summerschool 2019 DataScience Marti/Bozok/Feßen-Fallsehr, Geschwill, Oleksinski, Tusak, Marti, Arb, Nonenmacher
04.02.2021 © Alex Marti 2021 16Auswertung der Daten Was ist für den Menschen sichtbar - Je höher die
Drei Prognose - Algorithmen
Ausprobieren ist angesagt! MAE = Mean Absolute Error (smaller =
better)
ARIMA (order=(10,1,0))
21.56 MAE
Autoregressive Integrated Moving Average
Prophet
34.69 MAE
Linear model with fourier analysis
Keras - LSTM
36.30 MAE
Ein RNN mit vielen (500) Hidden Layers und
Spezialfunktion zum vermeiden von
Falschlernen und Schutz vor Überlaufen der
Gewichte
Quelle: Summerschool 2019 DataScience Marti/Bozok/Feßen-Fallsehr, Geschwill, Oleksinski, Tusak, Marti, Arb, Nonenmacher
04.02.2021 © Alex Marti 2021 18Prognosen sind schwierig Besonders die in die Zukunft Quelle: Summerschool 2019 DataScience Marti/Bozok/Feßen-Fallsehr, Geschwill, Oleksinski, Tusak, Marti, Arb, Nonenmacher 04.02.2021 © Alex Marti 2021 19
Geht Machine Learning immer?
Wo 99.99% sofortige Zuverlässigkeit angesagt ist, nein!
Ideengenerator False negatives – wirklich?
• Diagnose-Support für Ärzte (auf • GPWS¹: «Terrain ahead, pull up»
das wäre man nicht gekommen) • Self drive car: Full Stop on
• Finden von Korrelationen (nicht Pedestrian/Obstacle
Kausalität) • TCAS: Traffic Alert and Collision
• Gruppierungen Avoidance System
• Sicherheitssysteme,
Entlastung der Arbeitenden Schliesssysteme
• Übersetzungshilfe zum
Beschleunigen des Prozesses
• Vorselektionieren von Bildern False positives – wirklich?
• Vorselektionieren von Alerts
• Vorhersagen aller Art Militärische Angriffssysteme
• Wetterbericht
Keine Menschenleben und Menschenleben und keine
Analysezeit Analysezeit
¹Ground Proximity Warning System
04.02.2021 © Alex Marti 2021 20Tools?
Viele viele Tools
Programmatisch Symbolisch
• R¹ • RapidMiner²
• RandomForest • >100 AddOns¹²
• CARET • SPSS
• Nnet • SAAS
• kernlab • Mathlab
• Python¹ • SPLUNK
• Numpy/Scipy • Moogsoft
• ScyKit Learn • Knime
• Keras • (Excel 2019 – sehr
• NLTK simpel)
• CNN
• Apache Spark
¹Open Source
²Community Edition
04.02.2021 © Alex Marti 2021 21Weitere Links Von einfach verständlich bis zur Hardcore Mathematik • Änderung der Arbeitswelt • Übersicht Lernalgorithmen • F1 • ROC • Künstliche neuronale Netzwerke schön erklärt • Support Vector Machine (SVM) für Hartgesottene • Convolutional Neural Network i.e. Bird Recognition • Aktivierungsfunktion Neuronale Netze • https://towardsdatascience.com 04.02.2021 © Alex Marti 2021 22
Backup Wissen und Schulen 04.02.2021 © Alex Marti 2021 23
Änderung des Wissens Präsentationen des WEF 2018 04.02.2021 © Alex Marti 2021 24
Wettbewerbs des Schulens Präsentationen des WEF 2018 04.02.2021 © Alex Marti 2021 25
Sie können auch lesen
