Informatik (Fach) / statistische KI (Lektion)

Diese Lektion wurde von freddy_teddy erstellt.

Lektion lernen

zurück  |  weiter 1 / 1

• Probleme von: Signalübertragung, Signalaufnahme, Sensorik, Digitalisierung Signalübertragung: Information vielfältig beeinflusst (nicht nur verschlechtert, evtl auch irreführend verändert/ergänzt) Signalaufnahme:unweigerlich mit Verlusten und Verzerrungen verbunden Sensorik: Umwandlung der Information unterliegt verschiedenen Einschränkungen, dh selbst wenn die relevante Information vorhanden ist, wird sie vielleicht nicht korrekt umgewandelt Digitalisierung: führt zwangsläufig zu Informationsverlust
• Wozu dient Preprocessing/Features? Verarbeiten der Information, um relevante Information zu betonen/irrelevante wegzuschmeißen. Vereinfachen die Erkennung, führen aber immer zu Informationsverlust.
• Was ist eine Transferfunktion und welche gibt es? (mit Formel) Transferfunktionen beschreiben die ideale Beziehung zwischen Eingangs- und Ausgangssignal  eines Sensors (s und S). S = f(s) linear: S = a + b * s log: S = a + k * ln(s) exp: S = a * e^(k*s) weitere: S = a0 + a1*s^k (oder bel. Poynome) dabei ist: k Konstante, b Steigung (in dem Zusammenhang Sensitivität)
• Wie ist die Sensitivität für nicht-lineare Transferfunktionen für Eingangswert s(i) definiert? b = dS(si)/ds
• Approximation einer Transferfunktion einige nicht-lineare TF sind linear in einem eingeschränkten Bereich nicht-lineare TF können durch mehrere lineare Funktionen approximiert werden Differenz sollte unter einem spezifizierten Limit liegen
• Was ist ein Messbereichsumfang? Wie wir er angegeben? Der dynamische Bereich eines Stimulus, der von einem Sensor erfasst wird, also der höchste für einen Sensor zulässigen Stimuluswert. Höhere Stimuli können den Sensor beschädigen. Wir bei großen dynamischen und nicht-linearen Eingangssignalen oft in Dezibel angegeben. Dezibel ist ein logarithmisches Maß für ein Verhältnis G von Kraft und Strom oder Spannung. g[dB] = 20 log s2/s1
• Was ist der Ausgabebereich eines Sensors? Das Intervall zwischen dem Ausgangssignal bei kleinstem um größtem angelegtem Stimulus.
• Woraus können sich Gesamtfehler bei Messungen zusammensetzen? im Messobjekt entstandene Fehler: Fehler durch Rückwirkung auf Messobjekt Fehler durch ungekannte Abweichung vom Messzustand in der Messeinrichtung entstandene Fehler: Systematische Fehler der Messwertbildung Zufällige Fehler der Messwertbildung Dynamische Fehler
• Was passiert beim Aliasing und wie kann es vermieden werden? Signale überlappen sich, wenn schnelle Signale langsam abgetastet werden ⇒ schnelleres Abtasten, Nyquist: Samplingfrequenz sollte doppelt so hoch sein wie die höchste im Signal enthaltene Frequenz zu hohe Frequenzen müssen durch einen Filter entfernt werden
• Wie werden Bilder repräsentiert? Meist als Arrays, farbige bilder als 3D-Arrays (row, column, colour) colour besteht aus rot, grün und blau
• Anzeige
• Low Pass, High Pass und Bandpass lassen Frequenzen eines bestimmten Bereichs durch
• Defintion linearer Filter Gegeben zwei Signale A, B und eine reelle Zahl a. F[A + B] = F[A] + F[B] F[a*A] = a*F[A]
• Definition shift invariante Filter shift filter: Su,v[I](x,y) = I(x + u, y + v) F ist shift invariant, falls S[F[I]]  = F[S[I]]
• Zusammenhang shift invarianter Filter und dessen Impulsantwort Ein shift invarianter, linearer Filter ist vollständig durch seine Impulsantwort gegeben. Jedes Signal kann in eine (gewichtete) Summe von Impulsantworten zerlegt werden. Der Filter kann dann auf die einzelnen Impulsfunktionen angewendet werden. Wegen der Linearität und der Shiftinvarianz können dann die Ergebnisse einfach aufsummiert werden.
• Gradienten-(Derivate) Filter feine Strukturen werden verstärkt sichtbar gemacht (anders als bei Glättung) einfachster Gradientenfilter berechnet Differenz benachbarter Pixel sind lineare Filter (können also Impulsantwort betrachten) können als Kantendetektoren gesehen werden (für ideale Kanten) für verrausche Signale zur Kantendetektion Glättungsfilter vorschalten
• Randbehandlung Bei Berechnung lokaler Mittelwerte müssen Ränder berücksichtigt werden, da sie immer über dieselbe Anzahl von Punkten berechnet werden. Beheben durch Reflektion wrap around Auffüllen mit konstanten Werten
• Feature vs. Filter Im wesentlichen eine andere Sicht auf Filter aus der Signalverarbeitung statt aus der Bildverarbeitung ausgehend von niederdimensionalen, zeitabhängigen Signalen oft eine "semantisch bedeutendere" Transformation
• Hohe Dimension der Daten führt dazu, dass: eine sehr große Stichprobe für das Training benötigt wird Training und Auswertung sehr lange dauern Repräsentation der Trennflächen sehr viel Speicher benötigt
• Sliding Windows In einem Fenster, das sich über die Daten bewegt, Features berechnet, die jeweils das gesamte Fenster betreffen. (Reduktion der Dimension) Fenstergröße muss an die charakteristische Dauer der relevanten Phänomene angepasst werden.
• Peak Parameter Signal wird beschrieben durch Position, Größe und Breite der Peaks
• Median Filter ordnet Pixelwerte aus einer Nachbarschaft und wählt Pixel nach Position in der Liste, Median: 50% der Pixel haben kleineren Wert verwendet bei Bildern ähnelt Box Filter, verwendet Median statt Mittelwert nicht linear, meisten algebraischen Eigenschaften treffen nicht zu kann "shot noise" unabhängig von Amplitude entfernen Impulsantwort ist Null
• Feature Selection Ansätze (warum nötig?) Auswahl durch Problemkenntnis (nicht systematisch, evtl nicht gegeben) Empirisch aus Stichprobe statistische Komponentenanalyse Bewertung einzelner Features (Filteransatz) Testen der Klassifikation (Wrapper)
• Wrapper: Forward Selection starte mit einer leeren Menge wähle Feature mit der besten Klassifikationsrate bestimme welches Feature die Rate am meisten verbessert und nehme es hinzu wiederhole Schritt 3 bis max. Featurezahl erreicht weitere Features die Rate weniger als einen Schwellenwert verbessern (oder sogar verschlechtern)
• Wrapper: Backward Selection starte mit einer vollen Menge bestimme, welches Feature entfernt werden muss, damit die Klassifikationsrate am meisten verbessert oder am wenigsten verschlechtert wird wiederhole Schritt 2 bis gewünscht Featurezahl erreicht oder Wegnahme weiterer Features die Rate weniger als einen Schwellenwert verbessern (oder über einen Schwellenwert verschlechtern)
• Hypothesenklasse Menge aller geeigneten Rechtecke/Geraden/.. zur Trennung von Klassen in einem Graph
• Generalisierung Wie gut wird die Hypothese künftige Beispiele einordnen? Überanpassung (Overfitting): H ist komplexer als C Unteranpassung (Underfitting): H ist weniger komplex als C
• speziellste und allgemeinste Hypothese Trennung einer Klasse von anderen Klassen am Beispiel Rechteck: speziellste Hypothese ist kleinstes Rechteck, sodass die Klasse umschlossen wird, allgemeinste Hypothese größtes Rechteck, sodass keine Daten anderer Klassen eingeschlossen werden
• VC Dimension VC Dimension einer Hypothesenklasse H ist die höchste Anzahl von Punkten, die von H zerlegt werden kann beschreibt die Komplexität der Struktur der Probleme, die H zerlegen kann
• Modellselektion zum Lernen müssen Annahmen getroffen werden, die die Realität verzerren (induktive Verzerrung) Modellselektion ist Auswahl und Grad an induktiver Verzerrung
• a priori, a posteriori a priori: vor der Messung (Wahrscheinlichkeit, einen bestimmten Messwert zu beobachten, wenn eine bestimmt Klasse vorliegt) a posteriori: Wahrscheinlichkeit, dass eine bestimmt Klasse vorliegt, wenn ein bestimmter Wert gemessen wurde

zurück  |  weiter 1 / 1