Bericht MLUGS Treffen im November 2016
15. November 2016
Protokoll
Vorstellungsrunde
- Andreas, bei aexea, Software-Entwicker
- Stefan, IT-Firma, interessiert an ML
- Stefan, Gründer 5analytics
- Christian, Daimler, Data-Scientist
- Alex, Software-Architekt
- Wilhelm, Software-Entwickler, privat ML
- Robin, System-Biologe
- Andreas, Daimler, IT, Datamining
- Wolfgang, Matlab
- Uwe, Raumfahrt, Laser, will ML+Laserkommunikation machen
-
Andreas, ML in der Landwirtschaft
-
6 Nachzügler
Uwe Sterr - H2O
- http://www.h2o.ai/
- Uwe macht Kaggle und H2O kommt eben auch mit großen Daten zurecht
- auch gute Parallelisierung
- H2O ist java
- H2O hat apis zu Python, R, Scala und eine Web-API
- H2O macht eine Vorhersage wie lange es dauert
- der Workflow ist im browser und geführt / aber eher zum rumspielen
- H2O kann aus einer sequenz/liste die besten parameter finden. durchprobieren.
Featureengineering
- https://www.kaggle.com/c/melbourne-university-seizure-prediction
- FFT -> rausfiltern von 0ern. Fenster von 10s mit 50% overlap
Anwendungsbeschreibungen
- Predictive Instandhaltung (Daimler)
- Prozessoptimierung - "Erwartetes Produktionsergebnis erfüllt?" (Daimler)
"Self-Driving Car Engineer"-Kurs
3 Anwesende machen bei https://www.udacity.com/drive mit. Start Dezember 2016
Robin Garcia: Inverse Probleme
Direktes Problem: Ursache -> Wirkung
Bei einem Indirekten (Inversen) Problem: Wirkung -> Ursache
Treten auf: - ist eine indirekte Wirkung - kann nicht direkt gemessen werden
Im ML: - Parameterschätzung als inverses Problem - Parameter über kleinste-Quadrate-Schätzung (KQS) bestimmen - Problem: viel Daten/wenig Rauschen oder wenig Daten/viel Rauschen
- Tikhonov-Regularisierung zum Annähern der Parameter
- Vorteil: eindeutige Lösung
-
Nachteil: systematischer Fehler
-
https://en.wikipedia.org/wiki/Tikhonov_regularization
- https://en.wikipedia.org/wiki/Lasso_(statistics)
nächster Termin
- Januar 2017