Ich finde du hast die Abgrenzung der verschiedenen Arten sehr gut und verständlich erklärt. Da hatte ich bisher Schwierigkeiten. Auch die Beispiele waren einfach nachzuvollziehen.
@@datasolut Sagmal wie tief steckt ihr in der Materie Machine Learning / Neuronale Netze. Hat von euch durch Zufall jemand Zeit sich mit mir mal Online zu treffen und mir ein paar Fragen dazu zu beantworten?
@@domenicstasik4943 Hi Dominic, wir machen viele Sachen mit neuronalen Netzen. Leider haben wir echt viel um die Ohren und bieten solche Sprechstunden nicht an. Hast du mal auf Medium oder anderen Seiten nach Tutorials gesucht?
ich verstehe den unterscheid zwischen supervised learning und verstärkendes/ reinforcement learning nicht. ist der aspekt von 2., dass sich das system immer wieder neu ausrichtet und anpasst bei 1. nicht gegeben? oder anders ausgedrückt: wenn meine regressionsanalyse für prognosen irgendwann stärkt fehler macht und ich die neuen daten wieder in das modell einspeise um eine modellanpassung vorzunehmen, wäre das nicht verstärkendes/ reinforcement learning?
Nein, beim Reinforcement Learning exploriert der Algorithmus selbst anhand einer Belohnungsfunktion. Beim supervised Learning gibst du die Beispiele vor d.h. Wenn du neue Beispiele einspielst ist es weiterhin supervised Learning.
Danke für das Video! Frage: was genau ist die „Belohnung / Strafe“ für ein System das verstärkt lernt? Da weder Maschinen noch System Gefühle haben fände ich ein jeweiliges Beispiel hilfreich.
Hey, vielen Dank für dein Feedback. Die Belohnungsfunktion eines Verstärkungslernmodells ist eine Methode, um positive oder negative Bewertungen für die getroffenen Aktionen zu definieren. Sie gibt dem Modell Rückmeldung darüber, ob eine bestimmte Aktion zu einem guten oder schlechten Ergebnis führt und hilft ihm, sein Verhalten anzupassen, um zukünftig bessere Belohnungen zu erhalten. Hilft dir das? VG Laurenz
In Unternehmen gibt es viele Daten, die dafür in Frage kommen. Wenn du einfach ein paar Datensätze zum üben willst, dann schau auf www.kaggle.com Ich hoffe das hilft dir
Hallo, hätte da mal eine Frage, gehören Empfehlungssysteme, wie z.B. Produktempfehlungen nicht auch zu dem "überwachten Lernen" ? Es werden da ja auch Prognosen für die Kaufwahrscheinlichkeit eines Produktes erstellt und daher empfohlen, oder? Vielen Dank
Hi Ferhat, Empfehlungssysteme sind Supervised Learning. Die Aufgabe wir auch häufig als Learn to Rank beschrieben, also es geht darum die richtige Reihenfolge vorherzusagen. Dafür gibt es dann auch spezielle Fehlermetriken, um das zu messen.
@@datasolut Vielen Dank für die Nachricht. ich schreibe meine Bachelorarbeit über die Anwendung von KI für personalisierte Angebote (Produktempfehlungen). Bin ich nicht ganz klar, ob diese Recommender Syteme (collaborative filtering, content filtering undbedingt KI sind. Habt ihr vllt ein Artikel wo ich mal die Struktur für das Ganze sehen kann?:) wäre super hilfereich :)
Hey, also je nach Definition ist das KI. KI -> ML -> DL. Schau dich einfach auf auf unserm Blog um. Da haben wir was zu Deep Learning, KI, Machine Learning und zu empfehlungssystemen geschrieben.
Der Machine Learning Prozess an sich wird mit Hilfe von den drei Varianten des ML (supervised, unsupervised und refinforcement learning) ausgeführt und am Ende steht dann ein Modell, das eigenständig neue Daten verarbeiten kann. Zählen diese drei Varianten bereits als Algorithmus + Methode, oder ist das noch mal etwas anderes? Ich finde das generell verwirrend, weil oft die Begriffe Modell, Algorithmus und die drei Möglichkeiten vermischt werden.
Die 3 Varianten / Methoden sind einfach ganz verschiedene Ansätze innerhalb des Machine Learnings. Für jede gibt es dann auch spezielle Verfahren, die die Daten in bestimmter Form erwarten. Aus dem Algorithmus + Daten entsteht ein Modell. Dieses kann wiederum auf neue Daten angewandt werden. Hat das geholfen?
Hey Konrad1968, schade, dass dir das Video nicht gefällt. Wir sind Techniker, die das Thema allgemein erklären wollten. Schau dir doch die anderen Tutorials an, vielleicht hilft dir das beim Verständnis.
Ich finde du hast die Abgrenzung der verschiedenen Arten sehr gut und verständlich erklärt. Da hatte ich bisher Schwierigkeiten. Auch die Beispiele waren einfach nachzuvollziehen.
Vielen Dank, Felix!
Das hat mir wirklich weiter geholfen!
Danke!!! :)
Richtig gut erklärt! Danke!
Danke 🙏🏼
Hallo Laurenz - darf ich die Grafik Nummer 3 übernehmen und in meiner Abschlussarbeit unter Angabe "Datasolut - UA-cam - Laurenz Wuttke" benutzen?
Hi Domenic, das kannst du gerne machen. Viel Erfolg bei der Arbeit und wenn dir der Channel gefällt, lass doch ein like da :)
LG Laurenz
@@datasolut Gerne doch ;) "Abonniert" ;)
@@datasolut Sagmal wie tief steckt ihr in der Materie Machine Learning / Neuronale Netze. Hat von euch durch Zufall jemand Zeit sich mit mir mal Online zu treffen und mir ein paar Fragen dazu zu beantworten?
@@domenicstasik4943 Hi Dominic, wir machen viele Sachen mit neuronalen Netzen. Leider haben wir echt viel um die Ohren und bieten solche Sprechstunden nicht an. Hast du mal auf Medium oder anderen Seiten nach Tutorials gesucht?
Hi @datasolut ist es Ok wen ich das Video als Grundlage für den Machine Learnig teil Meiner GFS nehme
Natürlich! Viel Erfolg
ich verstehe den unterscheid zwischen supervised learning und verstärkendes/ reinforcement learning nicht. ist der aspekt von 2., dass sich das system immer wieder neu ausrichtet und anpasst bei 1. nicht gegeben?
oder anders ausgedrückt: wenn meine regressionsanalyse für prognosen irgendwann stärkt fehler macht und ich die neuen daten wieder in das modell einspeise um eine modellanpassung vorzunehmen, wäre das nicht verstärkendes/ reinforcement learning?
Nein, beim Reinforcement Learning exploriert der Algorithmus selbst anhand einer Belohnungsfunktion.
Beim supervised Learning gibst du die Beispiele vor d.h. Wenn du neue Beispiele einspielst ist es weiterhin supervised Learning.
Danke für das Video! Frage: was genau ist die „Belohnung / Strafe“ für ein System das verstärkt lernt? Da weder Maschinen noch System Gefühle haben fände ich ein jeweiliges Beispiel hilfreich.
Hey, vielen Dank für dein Feedback.
Die Belohnungsfunktion eines Verstärkungslernmodells ist eine Methode, um positive oder negative Bewertungen für die getroffenen Aktionen zu definieren.
Sie gibt dem Modell Rückmeldung darüber, ob eine bestimmte Aktion zu einem guten oder schlechten Ergebnis führt und hilft ihm, sein Verhalten anzupassen, um zukünftig bessere Belohnungen zu erhalten.
Hilft dir das? VG Laurenz
Wie bekommt man bitte die Daten, die von machinen learning trainiert werden?
In Unternehmen gibt es viele Daten, die dafür in Frage kommen. Wenn du einfach ein paar Datensätze zum üben willst, dann schau auf www.kaggle.com
Ich hoffe das hilft dir
aber ... was passiert da als Code dass alles so funktioniert?
Schau doch mal in die letzten databricks Tutorials. Da zeigen wir auch wie man ein Modell rechnet.
Hallo, hätte da mal eine Frage, gehören Empfehlungssysteme, wie z.B. Produktempfehlungen nicht auch zu dem "überwachten Lernen" ? Es werden da ja auch Prognosen für die Kaufwahrscheinlichkeit eines Produktes erstellt und daher empfohlen, oder? Vielen Dank
Hi Ferhat, Empfehlungssysteme sind Supervised Learning. Die Aufgabe wir auch häufig als Learn to Rank beschrieben, also es geht darum die richtige Reihenfolge vorherzusagen. Dafür gibt es dann auch spezielle Fehlermetriken, um das zu messen.
@@datasolut Vielen Dank für die Nachricht. ich schreibe meine Bachelorarbeit über die Anwendung von KI für personalisierte Angebote (Produktempfehlungen). Bin ich nicht ganz klar, ob diese Recommender Syteme (collaborative filtering, content filtering undbedingt KI sind. Habt ihr vllt ein Artikel wo ich mal die Struktur für das Ganze sehen kann?:) wäre super hilfereich :)
Hey, also je nach Definition ist das KI. KI -> ML -> DL. Schau dich einfach auf auf unserm Blog um. Da haben wir was zu Deep Learning, KI, Machine Learning und zu empfehlungssystemen geschrieben.
Der Machine Learning Prozess an sich wird mit Hilfe von den drei Varianten des ML (supervised, unsupervised und refinforcement learning) ausgeführt und am Ende steht dann ein Modell, das eigenständig neue Daten verarbeiten kann. Zählen diese drei Varianten bereits als Algorithmus + Methode, oder ist das noch mal etwas anderes? Ich finde das generell verwirrend, weil oft die Begriffe Modell, Algorithmus und die drei Möglichkeiten vermischt werden.
Die 3 Varianten / Methoden sind einfach ganz verschiedene Ansätze innerhalb des Machine Learnings. Für jede gibt es dann auch spezielle Verfahren, die die Daten in bestimmter Form erwarten.
Aus dem Algorithmus + Daten entsteht ein Modell. Dieses kann wiederum auf neue Daten angewandt werden.
Hat das geholfen?
Marketingbegriffe vorzulesen ist keine inhaltliche Erklärung.
Hey Konrad1968, schade, dass dir das Video nicht gefällt. Wir sind Techniker, die das Thema allgemein erklären wollten. Schau dir doch die anderen Tutorials an, vielleicht hilft dir das beim Verständnis.