Startseite > Embedded > Maschinelles Lernen und geistiges Eigentum

Schutz und Schutzrechte

Maschinelles Lernen und geistiges Eigentum

24. März 2020, 12:12 Uhr | Von Prof. Dr. Wil Michiels

▶ Diesen Artikel anhören

Fortsetzung des Artikels von Teil 3

Terminologie
Architektur des neuronalen Netzes: Die Sammlung von Neuronen im neuronML-System:alen Netzwerk, die Verbindungen zwischen diesen und die verwendeten Aktivierungsfunktionen. Diese Architektur kann als gerichteter Graph visualisiert werden. Trainingsdaten: Ein Datensatz, der zum Trainieren der Architektur verwendet wird, mit dessen Hilfe die richtigen Gewichte bestimmt werden. Test Set: Ein zweiter Datensatz, mit dem getestet und validiert wird, ob das Modell das erwartete Ergebnis liefert. ML-System: Die Software und Hardware, mit deren Hilfe maschinelles Lernen implementiert wird (Training und/oder Inferenz). Modell: Für neuronale Netze ist das Modell die Sammlung von Gewichten, die den Verbindungen der neuronalen Netzarchitektur zugeordnet sind. Diese Gewichte werden während des Trainings gesammelt. Trainingsparameter: Die für die Steuerung des Trainingsalgorithmus eingesetzten Parameter. z.B. wie oft sollten die Trainingsdaten wiederholt werden? Wie viele Einzeldaten sind abzuarbeiten, bevor die Gewichte aktualisiert werden müssen? Wie groß sind die Veränderungen, die pro Aktualisierung auf die Gewichte anzuwenden sind. Welche Kostenfunktion wird für die Optimierung herangezogen?

Terminologie

Architektur des neuronalen Netzes: Die Sammlung von Neuronen im neuronML-System:alen Netzwerk, die Verbindungen zwischen diesen und die verwendeten Aktivierungsfunktionen. Diese Architektur kann als gerichteter Graph visualisiert werden.
Trainingsdaten: Ein Datensatz, der zum Trainieren der Architektur verwendet wird, mit dessen Hilfe die richtigen Gewichte bestimmt werden.
Test Set: Ein zweiter Datensatz, mit dem getestet und validiert wird, ob das Modell das erwartete Ergebnis liefert.
ML-System: Die Software und Hardware, mit deren Hilfe maschinelles Lernen implementiert wird (Training und/oder Inferenz).
Modell: Für neuronale Netze ist das Modell die Sammlung von Gewichten, die den Verbindungen der neuronalen Netzarchitektur zugeordnet sind. Diese Gewichte werden während des Trainings gesammelt.
Trainingsparameter: Die für die Steuerung des Trainingsalgorithmus eingesetzten Parameter. z.B. wie oft sollten die Trainingsdaten wiederholt werden? Wie viele Einzeldaten sind abzuarbeiten, bevor die Gewichte aktualisiert werden müssen? Wie groß sind die Veränderungen, die pro Aktualisierung auf die Gewichte anzuwenden sind. Welche Kostenfunktion wird für die Optimierung herangezogen?