Mensch-Maschine-Interaktion (Subject) / KI & Lernende Syteme (Lesson)

This lesson was created by feared.

Learn lesson

back  |  next 2 / 2

• Overfitting Model has overfit the data for the trained set but not new data sets; not accurately classify the test data; not good at generalizing; Reduce: add more data (more diversity); data augmentation = reasonable modify the data set; cropping, rotating, zooming, fitting (add more data to training set; similiar; reasonably modified --> "flipped" pic of a dog, so you have dogs facing both directions)
• Python; Sentiment Analysis; class-imbalanced dataset; Backpropagation Python = Programmiersprache für generelles Programmieren Sentiment Analysis = Identifiziert und Kategorisiert Texte, mit dem Ziel die Einstellung des Erstellers zu messen Class-imbalanced dataset = binäres Klassifikationsproblem verursacht durch schlechte Verteilung der Häufigkeiten der beiden Klassen Backpropagation = supervised NN; "Lehrer" sind wahre Werte bekannt; nach vorwärts propagieren wird der Wert mit dem "wahren Wert" verglichen (Differenz ist Fehler des Netzes), danach wird die Gewichtung der Neuronen abhängig von Ihrem Fehler angepasst und sich so angenähert
• Algorithmische Daten-Themen Konzeption & Grundlagen zu Sensorik /Aktorik I. Algorithmische Daten 1. physiologische Daten (EKG, EDA, Puls- / Photopletyssmographie, Thermographie) 2. behaviorale Daten (Keyboard Stroke, Maus, Reaktionsverhalten, Bewegungsart und Geschwindigkeit, Schriftanalyse /Graphologie) 3. Video (Gesichtserkennung, MicroExpression, Kopfbewegung, PupileDiameter, Lidschluss, SakkadenBewegung) 4. Audio Bereich (Datenbank zu Audiophänomen (Schmerz, Comfort, Erkältung, Big 5, Emotionen; Audio Scene Audio Event Detection) 5. Text Mining Tools (Qualitative Interviewdaten; Facebook, Amazon Kommentare) 6. Smartphone (Bewegung, Kommunikationsverhalten, Mikromotorik, Schlaf) II. 1. Robotik 2. IoT 3. SmartHome, Smart Textile, Smart Car, 4. Virtual Reality
• Varianten Hypothese p-Wert Var A = WS (ich beobachte diese Daten, UNTER DER BEDINGUNG, "Hypothese H0 stimmt"' WS für "Wenn H0 stimmt, wie wahrscheinlich ist es, dass ich diese Daten beobachte" = p-Wert Var B = WS (Hypothese H0 stimmt, UNTER DER BEDINGUNG "ich beobachte diese Daten")
• HRV HRV = Heart Rate Variability; Hohe HRV= Entspannung; niedrive HRV (=gleichförmig) = Stress; gemessen = RR Intervalle, Veränderungen in der RR-Intervalle z.B. über SD
• Within Subject Design vs. Between Subject Design Vorteile + Countermeasures Wsd = dieselben Teilnehmer testen alle Bedingungen einer Variable Vorteil: Stichprobeneffizient, Baseline jedes Probanden (individ. Reaktionsprofile) Countetmeasures = neuer Tag mit neuer Bedingungen; C2: Anreize Konzentration + natürliche Performanz aufrecht erhalten; C3: Entkoppeln der beiden Einflussgrößen und Unlust; durch Alternieren BSD = versch. Teilnehmer werden zu untersch. Bedingungen einer Variable zugeteilt Vorteil: Zeitproblem der Probanden (auch für Technik); Wiederholungseffekte, Lerneffekte; Sättigungseffekte (Unlust, Motivationsverlust); Baselinemessung denkbar Countermeasure: Händisches Matching (statt Randomisierung); danach Probanden gleichverteilt auf 2 Bedingungen
• pNN50; SPOT; pNN50 = Prozentsatz aufeinanderfolgende RR-Intervalle ,die sich mehr als 50ms voneinander unterscheiden, Indikator der parasympathischen Aktivität SPOT= Screening Passengers by Observation Technique
• Zusammenstellung Behaviorale Signale bei Malintention / Lügen (5) 1. physiologisch: häufige Toilettengänge, Exzessive Perspiration; auffälliges Atmen; Schlucken (Adams Apfel); clearing throat; Pale Face; Facial Flushing; Verfärbung Achselbereich 2. kompensatorisches Stress coping = auffälliges Ziehen an Zigarette; Rauchen; Rubbing hands; Gesicht berühren; Nägel kauen, Wippen Oberkörper; Nase reiben 3. Lässigkeits- Signale / Vertrauen aufbauen= gähnen, lässig zurücklehnen; pfeifen,; laughter; vorgeneigt zu Gesprächspartner 4. Abbau muskuläre Spannung = mikro motorische Aktivität; hohe Bewegungsaktivität sitzen & stehen 5. Umfeld nach Gefahren screenen: Kopfbewegungen; constantly looking
• Kernideen Diagnostik - Aufbau Projektplan 1. theoretische Grundlagen (psychologisch-konzeptionell / technische Grundlagen) 2. Sensorik (Hardware Messsysteme) & Kennzahlen (Indikatoren, Korrelate, Parameter) 3. Kernidee zusammenfassen & Innovation vs. State of Art 4. Alternativ Lösungen nennen und bewerten (Tabelle, Kriterien d. Bewertung, Konkurrenzprodukte); 4.1 Aufwand (Kosten, Prozessablauf, Instandhalten) 4.2 Genauigkeit; Robustheit 4.3 Nebenwirkungen (ethisch, öffentl.) 5. Entwickeln und Testen des Systems: Studien Design, Lerndaten und Validierung 5.1 bestehende Datenbanken (open data); eigenes recording (Aufgabe: Trainieren ML, Validieren / Testen 5.2 Experimentelle Lügeninduktion (Bestrafung, Incentives) 6 Arbeitsplan, Deliverables, Ressourcen, Kosten 6.1 Arbeitspakete (Ressourcen, Ergebnisse, Deliverables, Meilensteine, Abbruchkriterien) 6.2 Kostenplan
• Business Canvas (Uber) (9) Key Partners (Drivers, Investors, Insurances, andere Partner: specialised APIs, Lobbyist) Key Activities: engage the participants, refine value proposal Key Ressources: network effects, skilled staff, brand, venture capital Value proposition: drivers: no boss, income generation, flexible work hours; for costimers: fast pickup, lower cost, fare estimate, convenience customer relationships: safe, secure, fair; communal social footprint; compliance taxation channels: social media costumer segments: demographic, socio-economic, behavioural revenues: revenue models: transaction fees cost structure: costumer acquisition, lobbying
• Advertisement
• AI Anwendungsfelder (8) Automobilbranche: Autonomes Fahren, Fahrassisstenzsysteme, Unfallvermeidung Kommunikation: Call-Center; Chatbots Öffentliche Sicherheit: Videoüberwachung, Gesichtererkennung; Drohnenerkennung Banken & Versicherungen: Risiko-Analyse, Betrugserkennung Travel & Transport: Autonomer Transport Gesundheitswesen: Erkennung von Krebszellen High Techt / Produktion: Qualitätsanalyse Forschung & Lehre: Sensor Analyse & Fusion; Human Brain Projekte
• 5 Data Fallacies Overfitting = ein Modell das sehr auf die trainierten Daten ausgelegt ist und wenig repräsentativ für den generellen Trend ist Regression towards the mean = wenn die Werte extrem sind, regressieren sie Richtung mittelwert Sampling Bias = Überlegungen von einem dataset ziehen, dass nicht repräsentativ ist für die gesuchte Population Hawthorne Effect = allein das Gefühl beobachtet zu werden, ändert das Verhalten der Teilnehmer Cherry picking = Ergebnisse auswählen, die die These unterstützen und andere ausschließen
• Machine Learning Abfolge (5) 1. Datenaufnahme und Vorverarbeitung (Fehlerdetektion & Bereinigung; Datenstruktur (Anzahl Fälle zu Anzahl Merkmal) 2. Merkmalsberechnung (Aggregation von Einzelinformationen zu Kennwerten; Synthetische Merkmalsberechnung (Genetische Algorithmen, Normalisierung, Transformation, Kombinatorische Operatoren) 3. Merkmalsraum-Transformation (Faktorenanalyse), Merkmalssubset-Selektion (univariat / multivariat (Forward Selectin, Backward Elemination) 4. Lernverfahren = Klassifikations - vs. Regressionsverfahren (SVM, Nearest-Neighbour, Decision Tree, Logistic Regression) 5. Evaluation = HoldoutVerfahren, Kreuzvalidierung, personenabhänig /unabhängig) Evaluationsmetrik = Korrelation, Fehlerrate, Sensitivität, Spezifität
• Machine Learning Abfolge (5) 1. Datenaufnahme und Vorverarbeitung (Fehlerdetektion & Bereinigung; Datenstruktur (Anzahl Fälle zu Anzahl Merkmal) 2. Merkmalsberechnung (Aggregation von Einzelinformationen zu Kennwerten; Synthetische Merkmalsberechnung (Genetische Algorithmen, Normalisierung, Transformation, Kombinatorische Operatoren) 3. Merkmalsraum-Transformation (Faktorenanalyse), Merkmalssubset-Selektion (univariat / multivariat (Forward Selectin, Backward Elemination) 4. Lernverfahren = Klassifikations - vs. Regressionsverfahren (SVM, Nearest-Neighbour, Decision Tree, Logistic Regression) 5. Evaluation = HoldoutVerfahren, Kreuzvalidierung, personenabhänig /unabhängig) Evaluationsmetrik = Korrelation, Fehlerrate, Sensitivität, Spezifität

back  |  next 2 / 2