Maschinelles Lernen: Themenfelder und Überblick

Allgemeines

  • Teilgebiet der KI: Programme verbessern sich durch Erfahrung
  • Definition (Tom M. Mitchell, 1997):
    • A computer program learns from experience \(E\) w. r. t. tasks \(T\) and performance \(P\)
    • if its performance at \(T\), measured by \(P\), improves with \(E\)
  • ML-Algorithmen erkennen Muster in Daten und lernen daraus
  • Unterschied zu klassischen Programmen: Lernen durch Rückkopplung
  • hier könnte Abbildung 2.1 stehen

Ablauf eines ML-Verfahrens

  • Trainingsdaten \(\ra\) Hypothese \(\ra\) Ergebnis \(\ra\) Feedback
  • Ziel: Optimierung der Hypothese durch Rückkopplung
  • zwei Modi:
    • Offline-Lernen: Training einmalig vor Anwendung
    • Online-Lernen: kontinuierliche Anpassung im Betrieb

ML: Teilbereiche und Abgrenzung

Überblick

  • Unsupervised Learning (UL): lernt aus nicht gelabelten Daten (z. B. Clustering)
  • Supervised Learning (SL): lernt aus gelabelten Beispielen (z. B. Klassifikation, Regression)
  • Reinforcement Learning (RL): lernt durch Belohnung/Strafe in Interaktion mit Umwelt

Supervised Learning (SL)

  • gelabelte Trainingsdaten: \((x_i, y_i)\) bekannt für alle \(i\)
  • Ziel: Modell zur Vorhersage von \(y\) aus \(x\)
  • zwei Problemtypen: Regression (z. B. Temperatur) und Klassifikation (z. B. medizinische Diagnose)
  • typische Anwendungen: Spracherkennung, Chatbots, Predictive Maintenance
  • typische Algorithmen: KNN, Random Forest, SVM, Neuronale Netze

Unsupervised Learning (UL)

  • keine Zielvariable \(y\) – nur Merkmalsdaten \(x\)
  • Ziel: versteckte Muster oder Strukturen erkennen
  • wichtigste Technik: Clustering
  • Beispiele: Marktsegmente, soziale Gruppen, Themen in Texten
  • typische Algorithmen: K-Means, hierarchisches Clustering, spektrales Clustering
  • Anwendung u. a. bei Empfehlungssystemen (z. B. Netflix)

Reinforcement Learning (RL)

  • Agent lernt durch Interaktion mit einer Umgebung
  • Aktionen \(a_t\) verändern Zustand \(s_t\) und führen zu Reward \(r_t\)
  • Lernen basiert auf Trial & Error ohne vollständiges Umweltwissen
  • Ziel: Policy, die langfristig Belohnung maximiert
  • zentrale Herausforderung: Exploration vs. Exploitation
  • typische Algorithmen: Q-Learning, SARSA, Monte Carlo, Temporal Difference

Teilbereiche des ML (Überblick)

ACHTUNG: Auch diese Tabelle ist regelmäßig klausurrelevant

Robotik

Einführung

  • Robotik ist Teilbereich der KI, eng verbunden mit Maschinenbau und Informatik
  • Fokus: Interaktion mit physischer Welt über Sensoren und Aktoren
  • zentrale Rolle in Industrie 4.0, z. B. durch fahrerlose Transportsysteme
  • typische Einsatzbereiche: automatisierte Produktion, Materialfluss, Mensch-Maschine-Kooperation
  • zwei zentrale Robotertypen:
    • Cobots – kollaborative Roboter
    • FTS/AMR – autonome Transportfahrzeuge

Cobots: kollaborative Roboter

  • Cobots arbeiten direkt mit Menschen ohne Schutzvorrichtung zusammen
  • zentrale Idee: Kombination menschlicher Flexibilität mit robotischer Ausdauer
  • vier Haupttypen nach ISO 10218:
    • Sicherheitsüberwachter Stopp
    • Geschwindigkeit/Abstandsüberwachung
    • Leistungs- und Kraftbegrenzung
    • Handführung

ACHTUNG: Klausur (14.09.2024): bisher einmalig folgende Tabelle abgefragt:

Robotik: Anwendungen kollaborativer Roboter

  • Pick & Place: Objekte greifen, bewegen, neu positionieren
  • Maschinenversorgung: z. B. CNC-, Spritzgieß- oder Stanzmaschinen
  • Prozessunterstützung: Kleben, Bohren, Schweißen mit Endeffektor
  • Fertigstellung: Polieren, Schleifen, Entgraten mit Kraftsensor
  • Qualitätskontrolle: Bilderfassung & Sortierung mit maschinellem Sehen
  • Verpackung: Entlastung bei monotonen Routineaufgaben
  • Gesundheitswesen:
    • Unterstützung bei Hygiene, Vitaldaten, Blutabnahme
    • automatisierte Reha-Maßnahmen

Autonome Transportsysteme

Einführung: Fahrerlose Transportsysteme (FTS)

  • selbstgesteuerte Fahrzeuge für Lager, Produktion, Logistik
  • zwei Typen:
    • AGV (automated guided vehicle): folgen Leitlinien (z. B. Magnetband)
    • AMR (autonomous mobile robot): navigieren frei per Sensorik
  • Vorteile: effizienter Materialfluss, geringe Personalkosten, hohe Präzision

ACHTUNG: Klausur (14.09.2024): bisher einmalig folgende Tabelle abgefragt:

Unterschiede AGV vs. AMR

  • Navigation: AGV folgt externer Infrastruktur, AMR navigiert eigenständig
  • Hindernisse: AGV wird blockiert, AMR umfährt
  • Flexibilität: AMR kann spontan neue Ziele anfahren
  • Kosten: AMR teurer, aber geringere Installationskosten
  • Sicherheit: AGV sicher bei klarer Spur, AMR benötigt Sicherheitsprotokolle

Evolutionäre Algorithmen: genetische Verfahren

Genetische Algorithmen (GA): Grundprinzip

  • heuristische Optimierung basierend auf Darwin’scher Selektion
  • Lösung = Chromosom; Variable = Gen
  • Ziel: mit Selektion, Crossover und Mutation bessere Lösungen erzeugen
  • Fitnessfunktion bewertet Qualität jeder Lösung

Operatoren: Selektion, Crossover, Mutation

  • Selektion: fittere Individuen haben höhere Auswahlwahrscheinlichkeit
  • Crossover: Austausch von Genen zur Kombination guter Eigenschaften
  • Mutation: zufällige Genänderung zur Vermeidung lokaler Minima
  • Elitismus: beste Lösungen direkt in nächste Generation übernommen

ACHTUNG: Klausurrelevant mehrmals – Definitionen

Beachte die jeweiligen einzeln hervorgehoen Sätze !

  • Kreuzung (Crossover):
    Die natürliche Selektion ermöglicht die Auswahl von Individuen als Eltern für den Crossover-Schritt. Dieser Schritt ermöglicht den Austausch von Genen zwischen Individuen, um neue Lösungen zu erzeugen. In der Literatur gibt es verschiedene Crossover-Methoden. Bei der einfachsten Methode werden die Chromosomen an zwei oder drei Stellen geteilt. Anschließend werden dann die Gene zwischen zwei Chromosomen ausgetauscht.
  • Mutation:
    Mit Hilfe der Mutation werden zufällige Veränderungen in den Genen erzeugt. Es gibt einen Parameter namens Mutationswahrscheinlichkeit \((P_m)\), der für jedes Gen in einem Kinderchromosom verwendet wird, das in der Crossover-Phase erzeugt wird. Dieser Parameter ist eine Zahl im Intervall von \([0,1]\). Für jedes Gen im neuen Kindchromosom wird eine Zufallszahl im gleichen Intervall erzeugt. Wenn diese Zufallszahl kleiner als \(P_m\) ist, wird dem Gen eine Zufallszahl mit der unteren und oberen Grenze zugewiesen.

Schwarmintelligenz

Grundprinzip

  • kollektives Verhalten einfacher Agenten (z. B. Insekten, Vögel)
  • Systemverhalten entsteht durch lokale Interaktion & Selbstorganisation
  • kein zentrales Steuerungselement, aber globale Zielerreichung möglich
  • robust gegenüber Ausfällen, sehr flexibel einsetzbar

Ameisenalgorithmus (Ant Colony Optimization, ACO)

  • Vorbild: reale Ameisen suchen effizient kürzeste Wege
  • Kommunikation über Pheromonspuren – Stigmergie
  • Bestandteile:
    • künstliche Ameisen als Lösungskonstrukte
    • Pheromon-Aktualisierung (Verstärkung & Verdunstung)
    • optional: Daemon-Strategien zur Sicherung guter Lösungen
  • geeignet für kombinatorische Optimierung (z. B. Routing-Probleme)

Expertensysteme (ES) und Multiagentensysteme (MAS)

Aufbau und Arbeitsweise

  • wissensbasierte Systeme: simulieren Expertenwissen
  • bestehen aus:
    • Wissensbasis: Fakten, Regeln, Heuristiken
    • Inferenzmaschine: Schlussfolgerung durch Verkettung
    • Benutzeroberfläche: Eingabe/Interaktion
  • Vorwärtsverkettung: datengetriebene Ableitung
  • Rückwärtsverkettung: hypothesengeleitete Prüfung

Eigenschaften und Herausforderungen

  • Netzwerk autonomer Agenten zur Lösung komplexer Probleme
  • zentrale Merkmale:
    • Situiertheit, Autonomie, Inferenzfähigkeit, Reaktivität
    • Proaktivität, soziales Verhalten
  • Vorteile: Robustheit, Skalierbarkeit, Wiederverwendbarkeit
  • Herausforderungen: Koordination, Abstraktion, Konfliktlösung

Back to top