Ankenbrand

Ergebnisse sind schneller da als händisch

Ergebnisse sind konsistent reproduzierbar

Bilder Bestehen aus Pixeln (= picture element). Dabei ist jeder pixel ein Tupel aus drei Werten zwischen 0 und 255 (bei 8-bit Bildern). Jeder Wert repräsentiert dabei die Intensität des entsprechenden Farbkanals (R, G, B).

= a convolutional image manipulation method that uses a gaussian function

convolution = a small matrix (kernel) is run over each pixel in the image

new pixel value is calculted based on the other values in the kernel

In einfachen Worten: Den anhand des Abstands gewichteten Mittelwert der umliegenden Pixel berechnen. (Je näher der Pixel an dem einen zu berechnenden Pixel desto höher die Gewichtung.)

Erzielter Effekt: Weichzeichnen.

Thresholding is the simplest form of image segmentation

convert image to greyscale and look at histogram

a threshold value is set and pixels above that value are set to 255 and pixels below that value are set to 0 (or any other specified values)

result: new image with only 2 pixel values that can be used as a mask for example

Es ist ein Bild, was nur aus 2 Werten betsteht: Schwarz/weiss

Das bedeutet, dass das Bild eine Größe von 1920 x 1080 Pixel (Spalten x Zeilen) hat und aus 3 Kanälen (Farben; RGB) besteht

(fluorescence) microscopy

medical images (MRI, PET, CT)

regular images taken by cameras (ecological data)

& more

Methode zur Bestimmung der Leistungsfähigkeit des Modells

die Verlustfunktion ist hoch, wenn die vorhergesagten Bezeichnungen stark von den wahren Bezeichnungen abweichen

Ziel ist es, diese Verlustfunktion über mehrere Iterationen zu minimieren.

Kreuzentropie

K-Nearest-neighbor

decision trees

random forests

linear/logistic regression

Trainingsdaten (Mehrheit der Daten; werden zum Trainieren des Modells verwendet)

Validierungsdaten (werden zur Validierung des Trainings verwendet)

Testdaten (werden verwendet, um die Leistung des Modells zu testen; Daten, die das Modell nicht gesehen hat)

Regression wird für die Vorhersage einer kontinuierlichen Variablen verwendet (z. B.: Vorhersage der Überlebenschance eines Patienten auf der Grundlage bestimmter Eingabedaten)

Klassifizierung wird zur Vorhersage diskreter Variablen (Etiketten) verwendet (z. B.: ob ein Patient überlebt oder nicht, auf der Grundlage einiger Eingabedaten)

Spezialfall der Klassifizierung: Segmentierung (Klassifizierung der einzelnen Pixel eines Bildes)

besteht aus mehreren Decision Trees

Vorhersage: jeder der internen Decision Trees wird gefragt

das, was die Mehrheit der Decision Trees als Anwort generiert, ist die Gesamtantwort des Forest

hold out data = test data

Netzwerk könnte die Trainingsdaten auswendig lernen (=overfitting), aber neue Daten müssen dadurch nicht unbedingt auch gut funktionieren -->Hold-out Data von Modell fernhalten bis Training beendet ist und nach dem Training als Test-Set (für Netzwerk fremde, neue Daten) verwenden

Ein neuronales Netz ist eine Ansammlung von einzelnen Informationsverarbeitungseinheiten (Neuronen)

Neuronen sind in layern angeordnet und meistens mit allen Neuronen des nachfolgenden layers verbunden

• Input layer → hidden layer → output layer

• Bei einer vorhandenen Netzstruktur bekommt jedes Neuron ein zufälliges Anfangsgewicht zugeteilt → die input Daten werden in das Netz gegeben und von jedem Neuron mit seinem individuellen Gewicht gewichtet → Ergebnis dieser Berechnung wird an die Neuronen des nächsten layers weitergegeben, (Aktivierung der Neuronen) → eine Berechnung des Gesamtergebnisses geschieht im output layer