Glossar: Numismatik / IT
[A] [B] [C] [D] [E] [F] [G] [H] [I] [J] [K] [L] [M] [N] [O] [P] [Q] [R] [S] [T] [U] [V] [W] [X] [Y] [Z]
A
B
Batch (maschinelles Lernen)
Ein Batch ist eine Menge an Exemplaren aus dem Datensatz, der während des Trainings verarbeitet wird, bevor das Modell geupdated wird. Die batch size gibt die Größe eines Batch an, die gewählte Größe kann nicht größer sein als der Datensatz selbst und nicht kleiner als 1.[1]
Bias
Als Bias werden Trends in den Daten bezeichnet, die dazu führen, dass ein
ML-Modell bestimmte Klassen öfter ausgibt als andere. Beispielsweise kann
ein nicht balancierter Trainingsdatensatz, der für eine Klasse A deutlich mehr
Daten enthält als für alle anderen, dazu führen, dass ein damit
trainiertes Modell Datenpunkte anderer Klassen oft als Klasse A vorhersagt.
Sobald ein Bias in den Daten erkannt wurde, sollte nach Wegen gesucht
werden, diesen zu beseitigen, da die Performance und die Fairness eines
Modells darunter leiden. Oft ist ein solcher Bias jedoch vor dem Training
unbekannt und führt zu Fehlern. Beispielsweise wurde ein System zum
Unterscheiden von Hunden und Katzen erstellt, wobei sich später
herausgestellt hat, dass die Hunde Halsbänder trugen, was das System
lernte. Katzen mit Halsband wurden dementsprechend vom System als
Hunde klassifiziert.
Black Box
Eine Black Box ist ein KI-System oder -Modell, bei dem die interne
Funktionsweise und die Entscheidungsabläufe für den Entwickler und den
Nutzer nicht transparent oder nur schwer nachvollziehbar sind. [2]
C
Clustering
Beim Clustering werden die Eingangsdaten in Gruppen (Cluster) eingeteilt, dies geschieht mit Hilfe einer berechneten Ähnlichkeit zueinander. Der wohl bekannteste Clusteralgorithmus ist k-Means. Dieser benötigt die Anzahl der gewünschten Gruppen im Voraus und teilt die Eingabedaten in eine entsprechende Anzahl von Cluster ein (man spricht hier auch von einem partitionierenden Clusterverfahren). Daneben gibt es hierarchische Clusterverfahren, welche einen Baum (Hierarchie) von Clustern erstellen, wobei die Blätter, die Einzeldaten und die Wurzel die Gesamtmenge der Eingangsdaten darstellen.
D
Daten
Für die Arbeit mit KI-Algorithmen sind Daten für das Training ein wesentlicher
Faktor. Es kann mit einer Vielzahl unterschiedlicher Datentypen gearbeitet
werden: Texte, Tabellen oder Bilder, um nur einige zu nennen. Üblicherweise
wird ein KI-Algorithmus auf einen einzelnen Datentyp trainiert, aber auch
mehrere Datentypen sind als Eingabe möglich. Die zur Verfügung stehenden
Daten beeinflussen den Erfolg und die Leistung des Trainings eines Modells
direkt.
E
Epoche
Eine Epoche ist ein vollständiger Durchlauf über den Datensatz während des
Lernprozesses. Eine Epoche kann in Iterationen aufgeteilt werden, wobei bei
jeder Iteration ein Batch (siehe Batch) verarbeitet wird. Die maximale Anzahl
an Iterationen ist die Größe des Datensatzes dividiert durch die batch size
(aufgerundet).
F
Feature
Die Merkmale, auch Features genannt, sind Informationen (also Daten in
einem Kontext), die der Algorithmus für das Training und die Vorhersage
verwendet. Ein Feature in einem Bild sind Pixel-Anordnungen, die in den
Trainingsdaten häufig vorkommen. Hierzu zählen einfache Striche oder
Kanten. In tieferen Analysen (deep learning) werden diese einfachen
Features oft zu komplexeren Features kombiniert. So kann das System auch
Augen, Nasen, Ohren bzw. verschiedene Ausprägungen davon erkennen.
Anhand der gefundenen Features wird in einem ML-Modell die
wahrscheinlichste Klasse vorhergesagt (durch überwachtes Lernen).
G
Ground Truth / Grundwahrheit
Die Grundwahrheit, auch Ground Truth genannt, ist für das maschinelle Lernen die jeweilige definierte Klasse oder das Ziel für eine Eingangsvariable. Sprich die Zuordnung Y für einen Eingang X. Die Grundwahrheit kann gesammelte Beobachtungen enthalten (Messungen, …) oder auch durch eine menschliche Zuordnung erzeugt werden, zum Beispiel eine Klassifikation für Münzen.
H
Hyperparameter
Die Hyperparameter werden vom Benutzer vor dem Trainingsprozess
festgelegt. Im Gegensatz zu den Parametern werden die Hyperparameter
während des Trainings nicht aufgrund der aktuellen Ergebnisse der
Vorhersage der Daten verändert. Eine Anpassung der Hyperparameter ist
durch eine Funktion oder festgelegtes Muster (beispielsweise alle x Epochen)
möglich, das Modell selbst hat jedoch keinen Einfluss auf diese Werte.
Beispiele für Hyperparameter sind die Lernrate, die Anzahl der Cluster und
die Anzahl der Epochen. Die Hyperparameter werden oft nach “Gefühl” und
Vorwissen festgelegt. Anschließend folgt das sogenannte
Hyperparameter-Tuning, bei dem diese Werte z. B. durch eine Grid-Suche
optimiert werden.
I
J
Jupyter Notebook
Ein Jupyter Notebook ist eine Webanwendung, die vor allem im Data Science Bereich genutzt wird. Die Anwendung kombiniert Code, Markdown und weitere Multimedia-Arten und ermöglicht es, die Arbeit visuell darzustellen. Dabei werden auch die Ergebnisse der Code-Ausführung mit angezeigt und gespeichert. Es dient daher auch als Protokoll dieser.
K
L
Label
Ein Label ist der für einen bestimmten Input zugewiesene (gewünschte)
Output3: zum Beispiel “Münztyp A” für ein Münzbild oder auch allgemein
“keltische Münze”. Das Modell gibt seinerseits als Vorhersage ein Label für
den Input aus.
M
Modell
Ein Algorithmus, der mit Daten (siehe Daten) trainiert worden ist und nach
dem Training abgespeichert wird. Das Modell kann anschließend für die
Anwendung auf neue, ungesehene Daten verwendet werden. In diesem Fall
wird die vom Modell erzeugte Ausgabe als Vorhersage bezeichnet.
N
O
P
Parameter
Parameter sind interne Werte des Modells, die während des Trainings und auf
der Grundlage der aktuellen Ergebnisse der Vorhersage der Daten vom
Modell aktualisiert und angepasst werden. Der Benutzer hat keinen direkten
Einfluss auf diese Werte. Er kann deren Veränderung lediglich indirekt durch
die Hyperparameter (siehe Hyperparameter) beeinflussen. Die Parameter
werden mit dem Modell gespeichert, um es wiederherstellen zu können.
Beispiele für Parameter sind die Gewichte eines CNN oder die Koeffizienten
einer linearen Regression.Im Bereich der Programmierung hat der Begriff
Parameter eine andere Verwendung, sollte daher nicht mit diesem
verwechselt werden.
Q
R
S
Supervised Learning / überwachtes Lernen
Beim überwachten Lernen sind die Eingangsmenge sowie die Ausgangsmenge bzw. das Ziel (Ground Truth) bereits im Voraus bekannt. Mithilfe dieses Wissens soll ein Modell erstellt werden, dass die Relation zwischen Eingang und Ausgang lernt und im Anschluss auf unbekannte Daten angewendet werden kann.
T
Tensor
Ein Tensor kann als mehrdimensionale Datenstruktur aufgefasst werden.
Tensoren werden durch die Anzahl der Dimensionen (D), auch Rang genannt,
spezifiziert. Ein Vektor ist ein 1D-Tensor oder ein Tensor mit dem Rang 1, eine
Matrix ist ein 2D-Tensor. Im Bereich des maschinellen Lernens werden
Tensoren häufig zur Darstellung von Bildern verwendet. So kann ein RGB-Bild
als 3D-Tensor dargestellt werden. Die drei Dimensionen stellen dabei die
Höhe, die Breite und die Anzahl der Farbkanäle dar. [3]
U
Unsupervised Learning / unüberwachtes Lernen
Beim unüberwachten Lernen wird nur eine Eingangsmenge bereitgestellt, keine Ausgangsmenge. Mit Hilfe des Algorithmus sollen mögliche Ähnlichkeiten gefunden werden. Diese Art von Lernen ist vor allem nützlich, wenn die Erstellung einer Ground Truth / Grundwahrheit (noch) nicht möglich ist. Sehr verbreitet in diesem Gebiet sind Clusteralgorithmen.
V
W
X
Y
Z
Literatur
Die im Text zitierte Literatur findet sich in der öffentlichen Literaturdatenbank des Projekts.
[A] [B] [C] [D] [E] [F] [G] [H] [I] [J] [K] [L] [M] [N] [O] [P] [Q] [R] [S] [T] [U] [V] [W] [X] [Y] [Z]
Diese Seite als PDF herunterladen