Aufgabe
Das Programm soll handschriftliche Ziffern von 0 – 9 erkennen.
Warum geht das nicht mit einem klassischen Programm?
Da Handschriften einzigartig, sind auch die Bilder der Ziffern einzigartig. Das Programm kann nicht alle handgeschriebenen Ziffern auswendig lernen, da jede neue Ziffern etwas anders aussehen wird. Das Programm muss Eingaben erkennen, die es vorher noch nie gesehen hat.
Algorithmen des Maschinellen Lernens – als Teil der Künstlichen Intelligenz – können nach einer Trainingsphase auch auf Eingaben reagieren, die nicht im Training dabei waren. In diesemm Workshop nutzen wir davor ein Neuronales Netz, das mit der Bibiothek PyTorch in Python programiert wird.
Nach dem Training kann das erstellte Neuronale Netz bewertet werden.
Maschinelles Lernen
Der Workshop
Im Workshop wird erklärt, wie mit Python und PyTorch ein Neuronales Netz für das MNIST-Dataset trainiert werden kann. Das MNIST-Dataset enthält Schriftproben für die Ziffern 0 bis 9. Das Neuronale Netz soll danach mit hoher Sicherheit handschriftliche Ziffern erkennen können.
MNIST-Dataset
Neuronales Netz
PyTorch-Tutorial
Alternative Tutorials
Jupyter Notebook zum Download
Neuronales_Netz_für_das_MNIST_Dataset.ipynb
Jupyter Notebook im Colab von Google
PythonGuide-Tutorial;
colab.research.google.com/drive/1VhqkdDPxkhM-6TR7uNbt6v9GDefAmGjh?usp=sharing
Von ChatGPT mit Anzeige des Bildes:
colab.research.google.com/drive/1mHkzYY20jpMk60nCp0eYphsniK23mPGE?usp=sharing
Glossar
| Trainingsdaten | |
| Testdaten | |
| Neuronales Netz | |
| Convolutional Neuronal Network | |
| Accuracy | |
| Loss | |
| Eingabeneuronen | |
| Hidden Layers | |
| Ausgabeneuronen | |
| Künstliche Intelligenz | |
| Deep Learning | |
| Unüberwachtes Lernen | |
| Verstärkendes Lernen | |
| Maschinelles Lernen |