Definiere Künstliche Intelligenz.
Künstliche Intelligenz (KI) ist die Fähigkeit von Maschinen, menschliche Fähigkeiten wie Denken, Lernen und Problemlösen zu imitieren, indem sie ihre Umwelt wahrnehmen, Daten verarbeiten und autonom auf Basis früherer Erfahrungen handeln.
Künstliche Intelligenz lässt sich in 3 Bereiche einordnen. Bennene diese und erkläre zu jedem etwas.
AI (KI), ?, ?
Artificial Intelligence (zu deutsch KI): Künstliche Intelligenz (KI) ist die Fähigkeit eines Computersystems, menschliche kognitive Funktionen wie Lernen und Problemlösen nachzuahmen.
Machine Learning (ML): Maschinelles Lernen (ML) ist ein Teilbereich der Künstlichen Intelligenz (KI), der Algorithmen verwendet, um Daten zu analysieren und daraus zu lernen, ohne explizit programmiert zu werden. Dadurch kann das System kontinuierlich basierend auf Erfahrungen lernen und sich verbessern.
Deep Learning (DL): Deep Learning ist ein Teilbereich des maschinellen Lernens, der künstliche neuronale Netzwerke nutzt, um aus großen Datenmengen zu lernen.
Wie lässt sich Maschinelles Lernen unterteilen?
In Supervised und Unsupervised Learning sowie andere Ansätze.
Probleme des Supervised Machine Learnings lassen sich in was unterteilen und was ist der Unterschied zwischen den Unterteilungen?
Klassifikationsprobleme und Regressionsprobleme.
Beschreibe Klassifikationsprobleme im Detail.
Klassifikationsprobleme zielen darauf ab, kategoriale (z. B. ja/nein) Ergebnisse vorherzusagen. Die Evaluierung erfolgt durch Metriken wie Accuracy, die mit einer "Confusion Matrix" die Qualität der Vorhersagen im Vergleich zu den tatsächlichen Werten misst.
z.b. Objekterkennung bei Bildern oder Vorhersage ob ein Kunde abwandern wird
Beschreibe Regressionsprobleme im Detail.
Regressionsprobleme zielen darauf ab, numerische Werte vorherzusagen. Dabei gibt es eine unendliche Anzahl an Ergebnissen. Die Evaluierung erfolgt durch Metriken wie den Mean Absolute Error (MAE) oder Root-Mean-Square Error (RMSE) die den Fehler zwischen den vorhergesagten und tatsächlichen Werten quantifizieren.
Das Einsatzgebiet umfasst hierbei z.b. Umsatzvorhersagen für jeden Tag oder Vorhersage der verbleibenden Lebenszeit von Maschinen
Was genau machen Neuronale Netze?
Neuronale Netze imitieren die Funktionsweise des menschlichen Gehirns, indem sie aus mathematisch dargestellten, miteinander verbundenen künstlichen Neuronen bestehen. Ähnlich wie Synapsen übertragen diese Verbindungen Signale, deren Stärke durch Gewichte beeinflusst wird, die während des Lernprozesses angepasst werden.
Was ist der Aufbau und die Funktionsweise eines neuronalen Netztes?
Neuronale Netze bestehen aus mehreren Schichten: einer Eingabeschicht (input), einer Ausgabeschicht (output) und versteckten Schichten dazwischen. Diese Schichten ermöglichen die Verknüpfung einfacher Neuronen zu komplexen Netzwerken, wobei die Neuronen durch Gewichtsvektoren miteinander verbunden sind.
Neuronale Netze imiteren das Gehirn, indem sie Signale nur bei Überschreiten eines Schwellenwerts weitergeben. Die Netzwerkstruktur und Hyperparameter müssen manuell festgelegt oder optimiert werden.
Was bedeutet Datenvorverarbeitung?
Datenvorverarbeitung ist ein wichtiger Schritt im maschinellen Lernen, bei dem Rohdaten in einen finalen Datensatz umgewandelt werden. Sie umfasst Aufgaben wie Auswahl, Umwandlung und Bereinigung von Daten für Modellierungswerkzeuge und wird oft mehrfach durchgeführt.
Nenne alle 5 Schritte der Datenvorverarbeitung und beschreibe sie kurz.
Die Datenvorverarbeitung umfasst fünf Schritte:
Auswahl von Daten: Auswahl relevanter Datenattributen und Datensätzen für das Modell.
Bereinigen der Daten: Entfernen von Ausreißern, Duplikaten und fehlenden Werten, sowie Normalisierung.
Konstruktion von Merkmalen: Erstellen neuer Attribute oder Transformation bestehender Daten.
Datenintegration: Kombinieren von Datensätzen, um neue Informationen zu generieren.
Formatieren von Daten: Syntaktische Anpassungen der Daten, um sie für Modellierungstools geeignet zu machen.
Definiere Imbalancierte Daten.
Imbalancierte Daten entstehen, wenn das Verhältnis zwischen Mehrheits(negative) Klasse- und Minderheits(postive) Klasse stark unausgewogen ist, z. B. bei Medizinischer Diagnose (90% gesund, 10% krank) oder Betrugserkennung (98% legale Transaktionen, 2% Betrug).
In solchen Fällen ist die Minderheitsklasse oft von Interesse, obwohl ein Klassifikator, der nur die Mehrheitsklasse vorhersagt, eine hohe Genauigkeit erzielen kann, aber wenig nützliche Ergebnisse liefert. Verschiedene Ansätze können helfen, diese Ungleichgewicht zu beheben.
Erkläre grob Normalisierung der Daten und zwei gängige Methoden dazu.
Manche Modell berechnen Distanzen zwischen Datenpunkten. Die Normalisierung der Daten stellt sicher, dass kein Attribut die Berechnung von Distanzen dominiert. Zwei gängige Methoden sind.
Erkläre grob den Begriff generative KI.
Generative KI nutzt spezielle KI Modelle (sogennante Large Language Modelle) um auf Basis eines Prompts Inhalte wie Texte, Bilder, Videos oder Code zu erzeugen. Sie kann unimodal (nur eine Art von Inhalt) oder multimodal (mehrere Arten von Inhalten) sein.
Ein berühmtes beispiel für Generative KI ist ChatGPT. Es kann texte schreiben und fragen beantworten.
Last changed11 days ago
