Themenabend: Machine Learning

Beschreibung

Was ist Machine Learning und wie kann es heute genutzt werden?

Machine Learning ist ein Teilbereich der Künstlichen Intelligenz, der es Systemen ermöglicht, ohne explizite Programmierung zu lernen und Ergebnisse zu progno­stizieren. Statt Algorithmen und Regeln zu schreiben, die Entscheidungen direkt treffen, werden beim Machine Learning Computersysteme mit Hilfe großer Datensätze befähigt zu lernen und Entscheidungen zu treffen.

Regelbasierte Systeme sind schnell überfordert, wenn sie die Komplexität der realen Welt berücksichtigen müssen. Beim Machine Learning werden Modelle erstellt, die Muster in den Daten erkennen und verallgemeinern. Machine Learning ist besonders geeignet für Klassifikationen und Vorhersagen.

Kern des Machine Learnings sind Algorithmen. Einige davon basieren auf mathe­matischen Methoden, die schon seit Jahrzehnten Anwendung finden (z.B. Regression, k-Means-Algorithmus). Sie werden zu Vorschlägen für die Kategorisierung von Daten genutzt. Mit der Verfügbarkeit leistungsfähiger Rechner (insb. Graphics Processing Units) können heute künstliche neuronale Netzwerke antrainiert werden, auch für neue, unbekannte Daten Prognosen abzugeben.

Auf dem heutigen Themenabend werden wir eine kurze Einführung und Übersicht über das Machine Learning geben. Die weiteren Referenten werden zeigen, in welchen unterschiedlichen Bereichen Machine Learning erfolgreich angewandt wird.

Vortrag 1: „Einführung und Überblick in Machine Learning“

Der Referent: Herr Dr. Jannis Schücker. Nach seinem Physik Studium an der Universität Bielefeld, promovierte Dr. Jannis Schücker am Forschungszentrum Jülich im Bereich "Computational Neuroscience". Hierbei spezialisierte er sich auf die Dynamik neuronaler Netzwerke. Seit 2017 ist er als Daten­wissen­schaftler am Fraunhofer IAIS tätig, wo die digitale Landwirtschaft sowie die maschinelle Produktion relevante Anwendungsgebiete darstellen.

Der Vortrag: Der Vortrag gibt eine Einführung in das Thema des maschinellen Lernens. Hierbei werden die verschiedenen Ansätze, sowie aktuelle Entwicklungen anschaulich erläutert. Abschließend wird die Anwendung der Methoden anhand eines konkreten Beispiels aus dem Bereich der digitalen Landwirtschaft gezeigt.

Vortrag 2: „Bilderkennung im Licht Neuronaler Netze“

Der Referent: Prof. Dr.-Ing. Dietrich Paulus ist Leiter der Arbeitsgruppe Aktives Sehen am Campus Koblenz der Universität Koblenz-Landau. Seine Forschungsschwerpunkte liegen in der Analyse medizinischer Bilder und der Interpretation von Sensordaten in der Robotik.

Der Vortrag: Die Bilderkennung ist eines der Gebiete, das seit Anbeginn der Informatik eng mit den Themen des Lernens und später der Künstlichen Intelligenz verwandt war.  Heute ist insbesondere die Bilderkennung ein Beispiel für den Einsatz einer speziellen neuen Technik in der Künstlichen Intelligenz. Große Erfolge liefern Faltungsnetze, die ein Spezialfall tiefer neuronaler Netze sind.
Nach einem kurzen Überblick über Sensoren werden Methoden der Objekterkennung vorgestellt, wobei zunächst klassische Ansätze und dann die neuronalen Verfahren eingeführt werden. Aktuelle Forschungsergebnisse zeigen den Einsatz beider Strategien in industriellen Anwendungen und für autonome Roboter und Fahrzeuge.

Der Vortrag thematisiert zum einen die Methoden der Bilderkennung, betrachtet zum anderen die Methoden zum Lernen und zur automatischen Analyse von Daten abstrakt, was einen Transfer auf andere Anwendungsgebiete erlaubt.

Vortrag 3: „Nutzung von Machine Learning bei Dialogsystemen“

Der Referent: Dr. Hannes Schulz ist Senior Researcher bei Microsoft Research, Montreal und erforscht datengetriebene Ansätze für Dialogsysteme.

Hannes Schulz promovierte an der Universität Bonn, unter der Leitung von Prof. Sven Behnke. In Bonn arbeitete er an der Segmentierung von Objektklassen mit tiefen neuronalen Netzwerken und Random Forests, sowie an Restricted Boltzmann-Maschinen.

Der Vortrag: In den vergangenen Jahren gab es große Fortschritte in der Spracherkennung, maschinellem Verstehen und automatischer Beantwortung von Fragen. Ein Nutznießer dieser Fortschritte sind Dialogsysteme, z.B. in virtuellen Assistenten, in denen zunehmend maschinelles Lernen Einzug hält. Der Vortrag zeigt an welchen Stellen der klassischen Verarbeitungskette maschinelles Lernen, meist tiefe neuronale Netze, eingesetzt wird, und geht kurz auf aktuelle Herausforderungen durch inadäquate Metriken und die Knappheit annotierter Daten ein.