Künstlichen Intelligenz. Eine Methode zur physikalisch inspirierten Ziffernerkennung

Inhaltsverzeichnis

1 Einleitung

1.1 Gliederung der Arbeit

2 Historische Entwicklung der KI

2.1 Das Leibniz‘sche Konzept

2.2 Turing-Test

2.3 McCulloch-Pitts-Neuron

2.4 Dartmouth-Konferenz

2.5 IBM’s Deep Blue gewinnt gegen Schachweltmeister 1996

2.6 IBM’s Watson gewinnt Jeopardy 2009

2.7 Apple (Siri) 2011

3 Grundlagen und Konzepte

3.1 Definition der Intelligenz

3.2 Definition der künstlichen Intelligenz

3.2.1 Schwache KI

3.2.2 Starke KI

3.3 Neuronen

3.4 Neuronale Netze

3.5 Künstliche Neuronale Netze

3.5.1 Gewichtsdynamik

3.5.2 Schwellwertfunktion

3.5.3 lineare Aktivierungsfunktion

3.5.4 Sigmoide Aktivierungsfunktion

3.6 Lernregeln

3.6.1 Hebb-Regel

3.6.2 Delta-Regel

3.6.3 Backpropagation

3.7 Machine Learning

3.7.1 Lernmethoden des ML

3.7.2 Überwachtes Lernen (engl. Supervised Learning)

3.7.3 Unüberwachtes Lernen (engl. Unsupervised learning)

3.8 Deep Learning

3.9 Big Data

4 Grundkonzept der physikalisch Inspirierten Ziffernerkennung

4.1 Überlegung und Motivation: Physikalisch inspirierte Ziffernerkennung

5 Physikalische Grundlagen des Algorithmus

5.1 Massenschwerpunkt

5.2 Trägheitsmoment

6 Umsetzung der Erarbeitung des Algorithmus

6.1 Programmierumfeld Python

6.1.1 Aufrufen der Programmbibliotheken in Python

6.2 Erarbeitung des Algorithmus

6.2.1 Crop function

6.2.2 Binarisieren

6.2.3 Threshold

6.3 Errechnung der physikalischen Eigenschaften

6.3.1 Ermittlung der Trägheitsmatrix

6.3.2 Darstellung des Trägheitstensors im 3-dimesionalen Raum

6.3.3 Anlernen des KI Klassifikators nach j

6.3.4 Aufstellen des K-nearest-neighbour Modells

6.4 Line Detection

6.4.1 Line Detection

7 Ergebnis

7.1 Darstellung mithilfe des ScatterPlot

7.2 Performance–Messung des Algorithmus

7.2.1 Performance-Messung bei 3 Ziffern mit 11 Samples

7.2.2 Performance-Messung bei 10 Ziffern mit 15 Samples

7.2.3 Performance-Messung bei 10 Ziffern bei 30 Samples

8 Zusammenfassung und Ausblick

Zielsetzung & Themen

Die vorliegende Arbeit untersucht das Potenzial eines künstlichen neuronalen Netzes (KNN) zur Erkennung handschriftlicher Ziffern durch die Nutzung deren physikalischer Eigenschaften, insbesondere des Trägheitsmoments. Ziel ist es, einen neuartigen, experimentellen Ansatz zu entwickeln und die Leistungsfähigkeit dieses Verfahrens in verschiedenen Konfigurationen zu evaluieren.

• Grundlagen der künstlichen Intelligenz und neuronaler Netze
• Physikalische Modellierung von Ziffern als freistehende Körper
• Entwicklung eines Algorithmus zur Trägheitsmoment-basierten Klassifikation
• Implementierung und Performanzmessung unter Verwendung von Python-Bibliotheken

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Beschreibt die Zielsetzung der Arbeit, die darin besteht, eine physikalisch inspirierte Ziffernerkennung mittels KNN zu untersuchen.

2 Historische Entwicklung der KI: Vermittelt einen chronologischen Überblick über die wichtigsten Meilensteine der KI von den 1950er Jahren bis zur Gegenwart.

3 Grundlagen und Konzepte: Definiert grundlegende Begriffe der KI, erläutert die Funktionsweise neuronaler Netze, Lernregeln und Konzepte wie Deep Learning und Big Data.

4 Grundkonzept der physikalisch Inspirierten Ziffernerkennung: Stellt den methodischen Ansatz dar, Ziffern anhand ihres Trägheitsmoments zu klassifizieren.

5 Physikalische Grundlagen des Algorithmus: Erläutert die mathematische Berechnung von Massenschwerpunkt und Trägheitsmoment als Basis für das Modell.

6 Umsetzung der Erarbeitung des Algorithmus: Detaillierte Darstellung der Implementierung in Python, inklusive Bildverarbeitung, Binarisierung und des KI-Klassifikators.

7 Ergebnis: Präsentiert die Performanzmessungen des Algorithmus bei steigender Komplexität und diskutiert die Genauigkeit der Ergebnisse.

8 Zusammenfassung und Ausblick: Bewertet den experimentellen Ansatz, fasst die Ergebnisse zusammen und gibt einen Ausblick auf zukünftige Forschungsmöglichkeiten.

Schlüsselwörter

Künstliche Intelligenz, Neuronale Netze, Ziffernerkennung, Trägheitsmoment, Massenschwerpunkt, Python, Machine Learning, Backpropagation, Algorithmus, Bildverarbeitung, Klassifikation, Performanz, Datensätze, K-nearest-neighbour, Physik

Häufig gestellte Fragen

Worum geht es in dieser Bachelorarbeit grundsätzlich?

Die Arbeit untersucht, ob handschriftliche Ziffern durch die Berechnung ihrer physikalischen Eigenschaften, namentlich des Trägheitsmoments, von einem künstlichen neuronalen Netz erkannt werden können.

Was sind die zentralen Themenfelder der Arbeit?

Die Arbeit verknüpft Grundlagen der Informatik und künstlichen Intelligenz mit physikalischen Prinzipien der klassischen Mechanik, um ein neuartiges Erkennungsverfahren für Bilddaten zu schaffen.

Was ist das primäre Ziel oder die Forschungsfrage der Arbeit?

Das primäre Ziel ist es, einen experimentellen Algorithmus zu entwickeln, um zu prüfen, ob sich handgeschriebene Ziffern aufgrund ihres Trägheitsmoments konsistent klassifizieren lassen.

Welche wissenschaftliche Methode wird verwendet?

Es wird ein experimenteller Ansatz gewählt, bei dem Ziffern in digitale Bilddaten umgewandelt und mathematische physikalische Kennzahlen extrahiert werden, um diese als Input für ein lernfähiges System zu nutzen.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil widmet sich der theoretischen Fundierung von KI und Mechanik sowie der konkreten Implementierung des Algorithmus in der Programmiersprache Python, gefolgt von einer detaillierten Performanzanalyse.

Welche Schlüsselwörter charakterisieren die Arbeit?

Die Arbeit wird maßgeblich durch Begriffe wie KI, neuronale Netze, Ziffernerkennung, Trägheitsmoment und Python-basierte Bildverarbeitung geprägt.

Wie unterscheidet sich dieser Ansatz von klassischen Deep-Learning-Methoden?

Im Gegensatz zu standardmäßigen CNN-Ansätzen, die Merkmale durch Faltungsoperationen lernen, nutzt diese Methode explizit berechnete physikalische Eigenschaften (wie das Trägheitsmoment) als Basis für die Klassifikation.

Was sind die wichtigsten Erkenntnisse der Performanzmessung?

Die Messungen zeigen, dass die Methode grundsätzlich funktionsfähig ist, jedoch bei hoher Diversität der Datensätze an Genauigkeit verliert, was auf die Komplexität und Individualität der Handschriften zurückzuführen ist.