IT – Teil 1

Supervised und Unsupervised Learning

Abb. 1: Künstliche Intelligenz (Artificial Intelligence). Grafik: C. Deligio, Big Data Lab, ClaReNet.

Die drei von uns exemplarisch untersuchten Münzserien werden mit Methoden und Tools aus dem Bereich des maschinellen Lernens, mit Fokus auf dem Bereich Deep Learning, untersucht (Abb. 1). Hierbei nutzen wir sowohl Methoden des überwachten und unüberwachten Lernens als auch Kombinationen aus beiden.

Beim überwachten Lernen (supervised learning) existiert eine sogenannte Grundwahrheit (ground truth), also eine gegebene Menge an Eingaben, deren Ergebnis bereits bekannt ist, zum Beispiel eine von Fachleuten erstellte Klassenverteilung (Abb. 2). Bei Bildern spricht man oft auch von gelabelten Bildern. Ein Label kennzeichnet in diesem Fall die gewünschte Ausgabe. Labels können dabei das ganze Bild betreffen oder auch nur spezifizierte Regionen des Bildes. Durch den Algorithmus des maschinellen Lernens werden mit Hilfe der Labels dazugehörige Muster erkannt und verbunden. Das Ergebnis hiervon kann hinterher auch auf andere Eingaben übertragen werden.

Abb. 2: Klassifikation eines Münzdatensatzes am Beispiel der Münzserie 3, die Statere der Coriosolitae. Grafik: C. Deligio, Big Data Lab, ClaReNet. Münzbilder: N.N., Jersey Heritage.

Beim unüberwachtem Lernen (unsupervised learning) werden keine Labels verwendet. Statt wie beim überwachten Lernen zu lernen, wie aus der Eingabe die Ausgabe vorhergesagt werden kann, sollen selbständig gemeinsame Muster bzw. Regeln im Datensatz erfasst werden, um zum Beispiel die Eingangsdaten nach ihrer Ähnlichkeit zu gruppieren. In diesem Bereich bietet sich unter anderem die Anwendung von Clusteralgorithmen an. Diese bilden Cluster (Gruppen), deren Bestandteile laut dem Algorithmus eine Ähnlichkeit aufweisen. Unüberwachte Methoden können unter anderem auf noch unbekannte Bild-Datensätze, bei dem niemand eine Analyse bzw. Zuordnung durchgeführt hat, angewendet werden. Unüberwachte Methoden sind vor allem für unsere Münzserie 3, die Statere der Coriosolitae, spannend. Dort steht uns dank unseres Kooperationspartners Philip de Jersey ein enormer Datensatz zur Verfügung, der circa 70.000 Münzen umfasst (Abb. 3). Die Fragen, die im Vordergrund stehen, sind, wie die Verfahren den Datensatz ordnen, welche Merkmale zu dieser Entscheidung führen, auf welche Probleme wir stoßen und natürlich welche Klassifikation die KI generiert.

Abb. 3: Wie analysiert man einen Schatzfund wie den Hort von Le Câtillon II auf der Insel Jersey (Großbritannien), der 70.000 Münzen umfasst? Foto: P. de Jersey, States of Guernsey, Culture and Heritage.

cd

[zum nächsten Teil]

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search