Grundlagen der KI 13. Maschinelles Lernen

149 Pages·2012·0.71 MB·German

Grundlagen der KI
13. Maschinelles Lernen
Lernen durch Beobachtung
Michael Beetz
458
VieleAbbildungensinddemBuch“ArtificialIntelligence:AModernApproach”entnommen.VieleFolienberuhenaufVorlagenvonProf.BernhardNebel,Dr.
JanaKo¨hler(Universita¨tFreiburg)undProf.GerhardLakemeyer,(RWTHAachen).
459
Inhalt
Der lernende Agent
(cid:0)
Induktives Lernen
(cid:0)
Lernen von Entscheidungsba¨umen
(cid:0)
Lernen von allgemeinen Hypothesen
(cid:0)
Warum Lernen funktioniert
(cid:0)
460
Lernen
Was ist lernen?
(cid:0)
Ein Agent lernt, wenn er durch Erfahrung seine Fa¨higkeit, eine Aufgabe
zu lo¨sen, verbessern kann.
z.B. Spielprogramme
(cid:1)
Warum lernen?
(cid:0)
Engineering, Philosophie, Kognitionswissenschaften
(cid:1)
Data Mining (Entdeckung von neuem Wissen durch Datenanalyse)
(cid:1)
Keine Intelligenz ohne Lernen!
461
Der lernende Agent
Bisher dienten die Wahrnehmungen des Agenten (Perzepte) nur dem
Handeln. Jetzt sollen sie auch der Verbesserung zuku¨nftiger
Verhaltensweisen dienen.
Performance standard
Critic Sensors
feedback
E
n
changes v
i
r
Learning Performance
o
element element n
knowledge
m
learning
e
goals n
t
Problem
generator
Agent Effectors
462
Bausteine des lernenden Agenten
Performance-Element: Verarbeitet Wahrnehmungen und wa¨hlt Aktionen aus
entspricht dem bisherigen Agentenmodell.
(cid:0)
Learning-Element: Durchfu¨hren von Verbesserungen braucht Wissen u¨ber
(cid:0)
sich selbst und wie sich der Agent in der Umwelt bewa¨hrt.
Critic: Bewertung des Agentenverhaltens auf der Grundlage eines
gegebenen externen Verhaltensmaßstabs Ru¨ckkopplung (feedback).
(cid:0)
Problem-Generator: Vorschlagen von explorativen Aktionen, die den Agenten
zu neuen Erfahrungen fu¨hren.
463
Das Learning-Element
Seine Funktionsweise wird von 4 entscheidenden Fragen beeinflusst:
1. Welche Teile des Performance-Elements sollen verbessert werden?
2. Welche Repra¨sentation wird gewa¨hlt?
3. Welche Form von Ru¨ckkopplung ist verfu¨gbar?
4. Welche Ausgangsinformation steht fu¨r den Lernprozess zur Verfu¨gung?
464
Arten der Ru¨ckkopplung beim Lernen
Eingabe: Information aus der Umwelt
Ausgabe: die Effekte der Aktionen des Agenten
Effekte, die der Agent durch sein Handeln erzielen will (Ideal) und Effekte, die
dann tatsa¨chlich in der Welt eintreten(Tatsache), unterscheiden sich oft
erheblich.
Ziel des Lernens: Anna¨hern der tatsa¨chlichen an die ideale Funktion.
Supervised Learning: Eingabe/Ausgabe sind verfu¨gbar. Ein Lehrer teilt dem
System den Effekt auf die Umwelt und damit die korrekte Aktion mit.
Reinforcement Learning: Je nach Erfolg seiner Aktionen wird der Agent
bestraft oder belohnt.
Unsupervised Learning: Der Agent kann nur Modelle fu¨r das Auftreten von
Regelma¨ßigkeiten seiner Beobachtungen lernen, aber nicht was er
richtigerweise tun mu¨sste.
465
Induktives Lernen
Jede Art von Lernen kann als das Lernen der Repra¨sentation einer Funktion
verstanden werden.
Ein Beispiel ist ein Paar .
(cid:1) (cid:1)
(cid:0) (cid:2) (cid:3) (cid:0) (cid:4) (cid:4)
Induktive Inferenz: Fu¨r eine Menge von Beispielen fu¨r ist eine Funktion
(cid:5)
(cid:3)
(Hypothese) gesucht, die approximiert.
(cid:3)
o o o o
o o o o
o o o o
o o o o
o o o o
(a) (b) (c) (d)
Bias: Tendenz, eine bestimmte Hypothese zu bevorzugen
466
Entscheidungsba¨ume
Eingabe: Beschreibung einer Situation durch eine Menge von Eigenschaften
(entspricht Grundliteralen in FOL).
Ausgabe: Ja/Nein Entscheidung bezu¨glich eines Zielpra¨dikats.
Entscheidungsba¨ume stellen boolesche Funktionen dar.
Ein interner Knoten im Entscheidungsbaum repra¨sentiert einen Test einer
Eigenschaft. Zweige sind mit den mo¨glichen Werten des Tests markiert.
Jeder Blattknoten tra¨gt den booleschen Wert, der bei Erreichen des Blattes
zuru¨ckgegeben werden soll.
Ziel des Lernprozesses: Definition eines Zielpra¨dikates in Form eines
Entscheidungsbaums
467