Nachgefragt

Unter dem Schlagwort des Deep Learning hat die Wissenschaft in den vergangenen Jahren große Fortschritte gemacht, von der Bild- und Objekterkennung über dem Verstehen von Sprache oder Erzeugen von Texten. Dabei ist Machine Learning zu einem wichtigen Bestandteil vieler kommerzieller Anwendungen und Forschungsprojekte geworden: sowohl als wissenschaftliche Methode als Beispiel in der medizinischen Diagnostik, aber auch in der Wirtschaft hat Machine Learning Einzug genommen. Doch wie stehen Deep Learning, Machine Learning, Neuronale Netze, und künstliche Intelligenz miteinander in Verbindung und welche Unterschiede gibt es? Der Ingenieur und Podcaster Philipp „Teubi“ Gräbel gibt mir in dieser Folge einen Einblick ins Deep Learning und erklärt mir auch anhand seiner Forschung in der Biomedizin, wo Deep Learning eingesetzt werden kann und wo (noch) nicht. Wir sprechen über die Vorteile vom Deep Learning und welche Aspekte bei der Anwendung beachtet werden müssen.

noch-nicht-gefragt

Philipp „Teubi“ Gräbel

• Lehrstuhl
• Forschungsprojekt
• Nussschale-Podcast
• Twitter
• Mastodon
• Homepage
• Vortrag über Deep Learning beim 35c3 [Link]

Links zum Lernen

• Neural Networks and Deep Learning (gutes Buch, aber leicht veralteter Code) [Link]
• 3 Blue 1 Brown (Youtube Playlist mit netter Erklärung und schönen Visualisierungen) [Link]
• Stanford Vorlesung [Link]

Biomedizin – Bildverarbeitung – Nussschale 014 über Bildverarbeitung – Digitale Signalverarbeitung – Deep_Learning – Autonomes Fahren – Blutzellen – Nussschale über Blutzellen – Knochenmark – Forschungsprojekt: Klassifikation von Zelltypen mit Lösungsansätzen aus dem Bereich Deep Learning [Link] – Medizinisch-technischer Assistent

nach-gefragt

1. Definition Deep Learning

Deep Learning – Nussschale über Deep Learning – Cytoplasma – Maschinelles Lernen – Nussschale 003 über Maschinelles Lernen

2. Merkmale erkennen durch Neuronale Netze

Neuronales Netz – Perzeptron – Nussschale 020 über das Perzeptron – Vortrag über Deep Learning beim 35c3: Neuronale Netze – Gewichtung – Lineare Funktion – Nussschale über Funktionen

3. Training und Ergebnisserzeugung

Backpropagation – LOSS-Funktion [Link1, Link2] – Vortrag über Deep Learning beim 35c3: Beispiel wie ein Training funktioniert

4. Aufbau eines Neuronalen Netzes

Vortrag über Deep Learning beim 35c3: Image Processing – Faltung – Convolutional Layer

5. Unterschied Deep Learning und Maschine Learning
6. Was muss beim Einsatz des Netzes beachtet werden?
7. Evaluation des Netzes

Biometrische Videoüberwachung in Berlin [Link] –  Bewertung Gesichtserkennung und Trefferquote [Link1, Link2] – Das Problem mit den Falsch Positiven [Link]

8. Anwendungsarten

Reinforcement – Überwachtes und unüberwachtes Lernen [Link]

9. künstliche Intelligenz

Künstliche Intelligenz – Nussschale über künstliche Intelligenz – Turing-Test – Die Bundesregierung und künstliche Intelligenz [Link]

10. Was ist möglich mit neuronalen Netzen?

Upload-Filter – EU-Richtlinie und Uploadfilter [Link] – GEMA-Tweet über KI [Link] – xkcd über das Einschätzen der Schwierigkeit von Tasks [Link] – Precision und Recall [Link1, Link2] – Bewertung von Uploadfilter anhand von Youtube [Link]

11. Anwendungsgebiete

Deep Learning in der Medizin [Link1, Link2]  – Deep Learning und autonomes Fahren [Link1, Link2]

12. Deep Learing als Methode in der Wissenschaft

Nachgefragt 008 mit Nicolas Wöhrl über Forschung – Peripheres Blut – arXiv.org

13. Deep Learning in der Wirtschaft
14. Deep Learning online ausprobieren

MNIST Database – MNIST Visualisierung (Klassifizierung von Zahl) [Link] – Activation Atlas – This person does not exist [Link] – Airbnb – This cat does not exist [Link] – Google AI Experiments [Link] – Let’s Enhance – Background Removal – Remove Background Background Removal ausprobieren – Coloring Pictures – Colourise Coloring Pictures ausprobieren – Und nochmal: Vortrag über Deep Learning beim 35c3 [Link]

sterne-befragt