MLUGS

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

1. Januar 2017