Lernen

1. Vorlesung

Ralf Der

Universität LeipzigInstitut für Informatik

der@informatik.uni-leipzig.de

Ralf Der LernenVorlesung01-WS06 / 07 2

Allgemeines zur Vorlesung

• Vertiefungsmodul Intelligente Systeme. Modulnummer 10-202-2302 • Vertiefungsmodul im M. Sc. Informatik und • Master Lehramt Informatik Gymnasium und Mittelschule• Vorlesung Lernen ist Bestandteil des Moduls. Umfang 2 SWS. • Prüfung durch Klausur am Ende des Semesters.

Ralf Der LernenVorlesung01-WS06 / 07 3

InhaltsverzeichnisBehandelt werden symbolische und subsymbolische Lernverfahren. Themen

sind- Allgemeines zu Lernen - Neuronale Netze - Clustering und Klassifikationslernen - Support Vector Machines- Reinforcement Learning- Entscheidungsbaum-Lernen- Lernen von Regeln und Konzepten

Ralf Der LernenVorlesung01-WS06 / 07 4

Paradigmen des Lernens I • Allgemeiner Kontext: Unter Lernen versteht man den bewussten und

unbewussten individuellen oder kollektiven Erwerb von geistigen und körperlichen Kenntnissen und Fertigkeiten oder Fähigkeiten. Lernen kann als Änderung des Verhaltens, Denkens oder Fühlens aufgrund verarbeiteter Wahrnehmung der Umwelt oder Bewusstwerdung eigener Regungen bezeichnet werden. (Quelle Wikipedia)

• Wissenschaftliche Teildisziplinen: Lernpsychologie, die Pädagogische Psychologie, Neurobiologie, die Didaktik und Pädagogik

• Für uns aber besonders die Künstliche Intelligenz • Jedoch ist Lernen mehr als das reine Abspeichern von Informationen. Lernen

beinhaltet die Wahrnehmung der Umwelt, die Verknüpfung mit Bekanntem (Erfahrung) und das Erkennen von Regelmäßigkeiten (Mustererkennung).

Ralf Der LernenVorlesung01-WS06 / 07 5

Paradigmen des Lernens II • Diese allgemeinen, und insbesondere auf den Menschen abgestimmten

Paradigmen interessieren hier weniger. Stattdessen: • Aufbau einer formalisierten Theorie mit konkreten Algorithmen für die

Realisierung eines lernenden Sytems als Bestandteil eines intelligenten Systems. • Beispiel überwachtes Lernen (Lernen mit Lehrer, supervised learning):

Lerner

Lehrer: y = f(x)

Inputvektor x

Lernsignal

Solloutputvektor ysoll

+/-

Outputvektor y

Ralf Der LernenVorlesung01-WS06 / 07 6

Paradigmen des Lernens IIa• Aufgabe des Lerners im supervised learning ist das „Erlernen“ des

Funktionszusammenhages y = f(x) aus einer endlichen Anzahl von im allgemeinen verrauschten Trainingsbeispielen (x, ysoll ).

Lerner

Lehrer: y = f(x)

Inputvektor x

Lernsignal

Solloutputvektor ysoll

+/-

Outputvektor y

Ralf Der LernenVorlesung01-WS06 / 07 7

Paradigmen des Lernens III • Reinforcement-Lernen: Lernen aus Lob und Tadel. Zwischen supervised und

unsupervised Lernen.

Lerner

Lehrer

Inputvektor x

Bewertung des Verhaltens des Lerners(Reward r)

Outputvektor y

r

Ralf Der LernenVorlesung01-WS06 / 07 8

Paradigmen des Lernens IVa • Nichtüberwachtes Lernen (unsupervised learning): Erkennen von Strukturen in

den Daten, meist aus statistischen Regelmäßigkeiten • Beispiel Clusterung: der Lerner lernt selbständig, jeden Datenvektor einem Cluster

zuzuordnen.

Lerner Inputvektor x

Cluster 1

Cluster n

Ralf Der LernenVorlesung01-WS06 / 07 9

Paradigmen des Lernens IVa • Beispiel Clusterung: der Lerner lernt selbständig, jeden Datenvektor einem Cluster

zuzuordnen.

x1

x2 Clustervektoren

Ralf Der LernenVorlesung01-WS06 / 07 10

Lernverfahren• Neben den Paradigmen des Lernens unterscheidet man auch nach den

Lernverfahren, d.h. den konkreten algorithmischen Ansätzen mit denen das Lernen stattfindet.

• Diese hängen eng von der konkreten Realisierung des Lerners an. Z. B. parameteradaptive Lernverfahren: Lerner durch eine parametrisierte Funktion realisiert. Beispiel neuronales Netz. Parameter werden sukzessive angepasst, um die Leistungen des Lerners zu optimieren.

• Beispiel supervised learning mit Gradientenverfahren: Definiere eine Fehlerfunktion

» E = || y – ysoll ||2

• Gradientenabstieg: Update für Parametervektor w:

wEwwneu

Ralf Der LernenVorlesung01-WS06 / 07 11

Beispiel lineare Regression• Lerner durch Funktionsansatz y = ax + b mit Parametervektor w = (a,b)T gegeben.

Gesucht beste Parameter, die Abweichung von den Datenpunkten minimieren:

y

x

y = ax + b

• Avanciertes Verfahren (nichlinear, hochdimensional, effektiv): Support-Vector-Machines

Ralf Der LernenVorlesung01-WS06 / 07 12

Vorschau• Im folgenden zunächst neuronale Netze als Beispiele für parameteradaptive

Lernverfahren behandelt.

Ralf Der LernenVorlesung01-WS06 / 07 13

Einige Bilder

Ralf Der LernenVorlesung01-WS06 / 07 14

Neuronen

Mathematisches Modell des Neurons :

z

x1

xn

y

zSyxwz ii ,w1

Ralf Der LernenVorlesung01-WS06 / 07 15

Neuronale Netze