Maschinelles Lernen hinzugefügt

Content.tex

@@ -5,4 +5,5 @@
 \input{parts/Agenten.tex}
 \input{parts/Problemlösen durch Suchen.tex}
 \input{parts/Optimierung.tex}
-\input{parts/Logik.tex}
+\input{parts/Logik.tex}
+\input{parts/Maschinelles Lernen.tex}

chapters/Maschinelles Lernen/Einführung.tex

@@ -0,0 +1,118 @@
+\chapter{Einführung}
+\label{ml: einfuehrung}
+    Allgemein geht es beim maschinellen Lernen darum eine Abbildung $h$ zu erlernen, die auf Basis von Eingabedaten Vorhersagen trifft.
+    Zum erstellen (bzw. erlernen) von $h$ gibt es zwei Möglichkeiten:
+    \begin{enumerate}
+        \item \textbf{Offline Learning:}\\
+            $h$ wird auf der Basis von Trainingsdaten angelernt.
+            Sobald $h$ ausreichend gute Vorhersagen trifft wird es unverändert eingesetzt.
+        \item \textbf{Online Learning:}\\
+            Die durch Offline Learning erstellte Abbildung $h$ entwickelt sich auf den Produktivdaten weiter.
+    \end{enumerate}
+
+    \section{Was ist Lernen?}
+    \label{was ist lernen}
+        Um zu verstehen, was ein lernender Agent (\ref{learning agent}) tut muss zunächst einmal definiert werden, was Lernen überhaupt bedeutet.
+        Meyers großes Handlexikon definiert \say{Lernen} als:\\
+        \includegraphics[width = \textwidth]{definition_lernen.png}
+
+        \subsection{Arten des Lernen}
+        \label{arten des lernen}
+            \includegraphics[width = \textwidth]{lernarten.png}
+        
+        \subsection{Formen des Lernen}
+        \label{formen des lernen}
+            \begin{itemize}
+                \item \textbf{Informationsbasiertes Lernen:}
+                    \begin{itemize}
+                        \item Welche Merkmale sind am informativsten?
+                        \item Standardalgorithmen: Entscheidungsbäume
+                    \end{itemize}
+                \item \textbf{Ähnlichkeitsbasiertes Lernen:}
+                    \begin{itemize}
+                        \item Welche bekannten Instanzen sind der Unbekannten am ähnlichsten?
+                        \item Standardalgorithmus: K-Nächste-Nachbarn
+                    \end{itemize}
+                \item \textbf{Wahrscheinlichkeitsbasiertes Lernen:}
+                    \begin{itemize}
+                        \item Was ist die wahrscheinlichste Vorhersage, die wir treffen sollten?
+                        \item Standardalgorithmus: Naiver Bayes
+                    \end{itemize}
+                \item \textbf{Fehlerbasiertes Lernen:}
+                    \begin{itemize}
+                        \item Welche Parameter müssen angepasst werden, um den Fehler zu verringern?
+                        \item Standardalgorithmus: Multiple lineare Regression
+                    \end{itemize}
+            \end{itemize}
+
+    \section{Übersicht über die Welt der \ac{KI}}
+    \label{ml: uebersicht}
+        \includegraphics[width = \textwidth]{übersicht_ki.png}
+        
+        \subsection{Einordnung}
+        \label{ml: uebersicht: einordnung}
+            \includegraphics[width = \textwidth]{übersicht_ki_einordnung.png}
+
+    \section{Aufgaben des \acl{ML}}
+    \label{ml: aufgaben}
+        Mögliche Aufgaben für die \ac{ML} eingesetzt wird, sind:
+        \begin{itemize}
+            \item \textbf{Klassifikation}:\\
+                \includegraphics[width = .4\textwidth]{Klassifikation.png}
+            \item \textbf{Regression:}\\
+                \includegraphics[width = .4\textwidth]{regression.png}
+            \item \textbf{Transkription:}\\
+                Daten werden in einen Text umgeschrieben (z.B. Spracherkennung, Texterkennung)
+            \item \textbf{Maschinelle Übersetzung:}\\
+                z.B. Deepl
+            \item \textbf{Anomalieerkennung}
+        \end{itemize}
+
+    \section{Leistungsbewertung}
+    \label{ml: leistungsbewertung}
+        siehe Zusammenfassung ML
+
+    \section{Generalisierung}
+    \label{ml: generalisierung}
+        Bei ML-Problemen handelt es sich um \say{ill-posed problems} - also Probleme, die eigentlich gar nicht wirklich gelöst werden sollen -.
+        So soll ein Klassifizierer beispielsweise nicht die perfekte Lösung für die Trainingsdaten liefern, sondern lediglich eine \textbf{generalisierte} Lösung erstellen,
+        die auch unbekannte Daten gut klassifiziert.\\
+        \includegraphics[width = \textwidth]{generalisierung.png}
+
+    \section{Hypothesenraum}
+    \label{ml: hypothesenraum}
+        Der Hypothesenraum ist die Menge an Funktionen, die ein \ac{ML}-Algorithmus als mögliche Lösung wählen kann.
+        Der Hypothesenraum wird durch die Modellklasse (z.B. linearer Klassifikator) begrenzt.
+        Durch die Größe des Hypothesenraums wird die \textbf{Modellkapazität kontrolliert}.
+
+    \section{Fluch der Dimensionalität}
+    \label{ml: dimensionalitaet}
+        \includegraphics[width = \textwidth]{fluch_der_dimensionalität.png}
+
+    \section{Trainings- und Testdaten}
+    \label{ml: trainings- und testdaten}
+        Um der Gefahr von Overfitting vorzubeugen ist es sinnvoll den vorhandenen \say{gelabelten} Datensatz aufzuteilen.
+        Eine übliche Aufteilung ist 80\% Trainingsdaten und 20\% Testdaten.
+        Von den Trainingsdaten werden bei vielen Modellerstellungen noch einmal 20\% für die Validierung während des Trainings abgespalten.
+        Bei dem Splitten der Daten muss darauf geachtet werden, dass das Datenverhältnis in den Splits dem Gesamtdatensatz entspricht.
+        D.h. z.B. das sortierte Daten vor dem splitten gemischt werden müssen\\
+        \includegraphics[width = .8\textwidth]{train_test_split.png}
+
+        \subsection{N-fold Cross-Validation}
+        \label{ml: n-fold cross-validation}
+            Um sicherzustellen, dass die Daten in den Trainings- und Validierungs-Splits repräsentativ für den Gesamttrainingsdatensatz sind,
+            wird der Gesamttrainingsdatensatz in mehrere \say{Folds} unterteilt.
+            Anschließend wird der Algorithmus mehrmals ausgeführt, wobei jeweils andere Folds die Trainings bzw. Validierungsdaten darstellen.
+            Die Anzahl der Folds wird über einen Parameter $N$ bestimmt, weshalb dieses Verfahren \say{$N$-Fold Cross-Validation} heißt.\\
+            \includegraphics[width = .8\textwidth]{n-fold_cross-validation.png}
+
+    \section{Hyperparameter}
+    \label{ml: hyperparameter}
+        \say{Hyperparameter} sind Parameter, die das Verhalten des Algorithmus bestimmen.
+        Diese Parameter müssen vor Ausführung des Algorithmus festgelegt werden.
+        Ein typisches Beispiel für einen Hyperparameter ist die Anzahl der zu erreichenden Cluster.
+        Dieser Hyperparameter muss vielen Clustering-Algorithmen übergeben werden.
+
+    \section{Auswahl des \ac{ML}-Algorithmus}
+    \label{ml: algorithmus-auswahl}
+        \includegraphics[width = \textwidth]{machine-learning-cheet-sheet.png}

parts/Maschinelles Lernen.tex

@@ -0,0 +1,4 @@
+\part{\acf{ML}}
+\label{ml}
+
+\input{chapters/Maschinelles Lernen/Einführung.tex}