Willkommen beim KI-Tutor!

Der KI-Tutor gibt Ihnen eine praxisbezogene Einführung in neuronale Netze und symbolische Lernverfahren.

Die Techniken sind in Lektionen unterteilt, in aufsteigender Komplexität.

Der Button "Guided Tour" zeigt Ihnen eine Bedienungsanleitung und Sie können Ihren Fortschritt notieren.

Bitte geben Sie zu den Lektionen jeweils ein Feedback an. Sie bleiben vollständig anonym.

Die folgenden Lektionen basieren auf Javascript, und benötigen keine weiteren Tools.

Lektion 1: Leistungsfähigkeit neuronaler Netze

Sie bekommen einen Eindruck, wozu neuronale Netze bei der Klassifikation von Bilddaten derzeit im Stande sind. Dazu können Sie ein vor-trainiertes Netz laden, mit dem Bilder handgeschriebener Ziffern (aus dem bekannten MNIST-Datensatz) erkannt werden.

Lektion 2: Training neuronaler Netze

Sie können ein vordefiniertes Netz selbst trainieren und einen Eindruck zu bekommen, welchen Einfluss die Anzahl und Qualität der Bilddaten auf das Klassifikationsergebnis hat.

Lektion 3: Funktionsweise neuronaler Netze

Sie bekommen einen Eindruck über die Netzstruktur und die Hyperparameter, mit denen man neuronale Netze gestalten kann. Sie können viele Varianten von Neuronalen Netzen zur Bildklassifikation konfigurieren und die Auswirkungen auf die Qualität des Ergebnisses beobachten (z.B. Zusammenhänge zwischen der Anzahl der Trainingsdaten und der Tiefe Neuronaler Netze). Als Beispiel dient weiterhin die Ziffernerkennung.

Lektion 4a: Bildbearbeitungs-Tool

Sie können eigene Datensätze hochladen (z.B. selbstgeschriebene Ziffern oder andere Bilder). Dieses Tool bietet Funktionalitäten zum Hochladen von Bildern und anschließender Manipulation (Ausschneiden, Graustufen, etc.) zum Training oder zur Klassifikation mit neuronalen Netzen.

Lektion 4b: Annotations-Tool

Sie können hochgeladene Bilder mit Annotationen versehen, entweder zur Klassifikation des ganzen Bildes oder mit Einzeichnung von Rechtecken zur Detektion von Bildausschnitten.

Die folgenden Lektionen benötigen mindestens Python 3.5-3.7, sowie Tensorflow, idealerweise aber auch Jupyter Notebooks/Labs.

Installationsanleitungen

Lektion 5: neuronale Netze selbst erstellen

Sie lernen, eigenständigen ein Neuronalen Netzes mit den bekannten Bibliotheken Tensorflow bzw. Keras in Python zu entwickeln. Hier arbeiten Sie nicht mehr auf einem Server, sondern installieren die Umgebung auf Ihrem eigenen Rechner (mit dem Jupyter Notebook zum Herunterladen).

Lektion 5b: Eigene Bilddaten zur Klassifikation einlesen

In diesem Tutorial lernen Sie, wie man Bildersets, die man mit den Tools aus Lektion 4 erstellt hat, in Python/Tensorflow einließt und von einem trainierten Netzwerk klassifizieren lassen kann.

Lektionen und Tools zu den Symbolischen Lernverfahren

Diese Lektionen sollen dazu dienen, Ihnen einen Überblick über die Fähigkeiten und Einschränkungen gängiger symbolischer Lernverfahren zu geben. Dabei spielt die Aufbereitung der Datensätze eine ebenso wichtige Rolle wie die Auswahl und Konfiguration eines passenden Lernverfahrens.

Datensätze bearbeiten

Mit Hilfe des Datenverarbeitungstools können Sie sich einen Datensatz genauer anschauen, sowie geringfügige Modifikationen vornehmen. Anschließend können Sie den Datensatz im .arff oder .csv Format speichern, und ihn in anderen Lektionen benutzen.

Ausführliche Einführung

Anleitung - Datenverarbeitung

Über das Control-Panel auf der linken Seite können Sie lokale Datensätze im csv- oder arff-Format hochladen. Bei csv-Dateien: Hat Ihr Datensatz die Attributs-Namen in der ersten Zeile, so müssen Sie noch den entsprechenden Hacken setzen. Haben Sie einen Datensatz geladen, wird darunter eine Attributstabelle gefüllt. Hier können Sie für jedes Attribut selektieren ob es aktiv sein soll oder nicht, sowie den Typen des Attributs festlegen.

Auf der rechten Seite des Datenverarbeitungs-Tools haben sie zwei Reiter:

  • Datensatz: unter diesem Reiter können Sie den hochgeladenen Datensatz anschauen.
  • Korrelation: hier können Sie eine Korrelationsmatrix berechnen lassen (nach Änderungen in der Attributs-Tabelle müssen Sie die Matrix neu berechnen lassen), die einen direkten Überblick über eventuell unbrauchbare Attribute gibt.

Haben Sie ihre Einstellung vorgenommen, können Sie die Datei wieder als csv- oder arff-Datei speichern. Hierbei ist anzumerken, dass Spalten, die Sie deaktiviert haben, nicht mehr in der Ergebnis-Datei vorhanden sind. Überschreiben Sie also auf keinen Fall die Original-Datei.

Lernverfahren testen

In dieser Lektion können Sie Datensätze einlesen (entweder im .arff oder .csv Format), und eine Auswahl symbolischer Lernverfahren benutzen, um ihren Datensatz klassifizieren zu lassen.

Ausführliche Einführung

Anleitung - Lernverfahren testen

TODO

Anleitung: Datensatz von UCI Machine Learning Repository konvertieren

In dieser Anleitung lernen Sie, wie man einen Datensatz vom UCI Machine Learning Repository herunterlädt und für die Tools des KI-Tutors konvertiert.

Guided Tour Neuronale Netze (Gesamtdauer: ca. 25 min)

Guided Tour Symbolische Lernverfahren (Gesamtdauer: ca 15 min)