Aufgabe: zu den Grundbegriffen
- Unser Spamfilter versteht kein einziges Wort und trotzdem kann er Nachrichten klassfizieren, ob sie Spam sind oder nicht. Ist unser Spamfilter intelligent oder nicht?
- Unser Spamfilter wurde ausschliesslich mit Trainingsdaten von älteren Leuten trainiert, welche weniger oft englische Wörter verwenden als Jugendliche. Während des Trainings hat der Spamfilter gelernt, dass englische Wörter ein Hinweis auf Spam sein können. Die Wahrscheinlichkeit ist somit grösser, dass der Spamfilter Nachrichten von Jugendlichen als Spam klassifiziert. Um was handelt es sich hier und wie kannst du dieses Problem lösen?
- Eine Firma hat dich kontaktiert, dass sie E-Mails klassifizieren möchten, ob sie von einer deutschen oder schweizerdeutschen Person verfasst wurde, damit die Firma gezielter Werbung verschicken kann. Kannst du diese Aufgabe mit unserer Naiven Bayes Klassfikator lösen? Begründe.
- Darfst du einen solchen Antrag überhaupt annehmen?
Lösung (nicht angemeldet)
Diese Lösung ist nur für angemeldete Benutzer zugänglich – wenn die LK die Lösung freigegeben hat. Bitte melde dich an, um die Lösung einsehen zu können.Fazit zu unserem Spamfilter
Wir haben unsere eigene KI erstellt. Wichtig ist, dass das Vorgehen auch bei viel komplexeren KIs vergleichbar ist und deine Erkenntnisse auch dort anwendbar sind. Ebenfalls haben wir unsere KI nur auf Text basiert, wie du aber weisst, gibt es auch immer mehr KI Anwendungen für Bilder, Audio, Video oder immer mehr einer Kombination davon. Unsere KI wurde mit dem Naiven Bayes Klassifikator umgesetzt. Es gibt aber je nach Anwendung andere, meist komplexere Modelle, die eingesetzt werden.
Hier zwei Beispiele:
- k-Nearest-Neighbor[1]: Dieses Modell wird in vielen Anwendungen eingesetzt, wo Ähnlichkeiten zwischen Datenpunkten genutzt werden, um Vorhersagen oder Klassifikationen zu treffen, zB Musik- oder Kauf-Empfehlungen, Handschrifterkennung, Medizinsche Diagnosen, Betrugserkennung, etc.
- Generative_Adversarial_Networks (GAN)[2]: Ein GAN besteht aus zwei Netzwerken, die in Konkurrenz zu einander stehen – der Generator versucht Daten zu erzeugen, die möglichst echt erscheinen, der Diskriminator versucht möglichst alle generierten Daten von echten zu erkennen – wodurch der Generator schliesslich sehr realistische künstliche Daten produzieren kann.
