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
• 9 Anhang
• 9.1 Algorithmus der physikalisch inspirierten Ziffernerkennung
• 9.2 Für den Algorithmus verwendete Samples
• 10 Literaturverzeichnis

Zielsetzung und Themenschwerpunkte

Die vorliegende Arbeit befasst sich mit der Entwicklung einer Methode der künstlichen Intelligenz zur physikalisch inspirierten Ziffernerkennung. Ziel ist es, einen Algorithmus zu entwickeln, der anhand von physikalischen Eigenschaften von Ziffern eine Klassifikation ermöglicht. Der Fokus liegt dabei auf der Anwendung von Machine Learning-Techniken, insbesondere des Deep Learning, um aus den physikalischen Merkmalen von Ziffern eine zuverlässige Klassifizierung zu ermöglichen.

• Künstliche Intelligenz (KI) und ihre Entwicklung
• Physikalisch inspirierte Ziffernerkennung
• Anwendung von Machine Learning und Deep Learning
• Entwicklung und Implementierung des Algorithmus
• Bewertung und Analyse der Performance des Algorithmus

Zusammenfassung der Kapitel

Die Einleitung führt in die Thematik der physikalisch inspirierten Ziffernerkennung ein und erläutert die Gliederung der Arbeit. Kapitel 2 beleuchtet die historische Entwicklung der KI und wichtige Meilensteine, die den Fortschritt im Bereich der künstlichen Intelligenz geprägt haben. Kapitel 3 erläutert die Grundlagen und Konzepte der KI, Neuronale Netze und Machine Learning. Kapitel 4 stellt das Grundkonzept der physikalisch inspirierten Ziffernerkennung vor und erläutert die Motivation für die Anwendung dieser Methode. Kapitel 5 beschreibt die physikalischen Grundlagen des entwickelten Algorithmus und behandelt wichtige Konzepte wie Massenschwerpunkt und Trägheitsmoment. Kapitel 6 befasst sich mit der Implementierung des Algorithmus und beschreibt die Programmierumgebung, die verwendeten Bibliotheken und die Funktionsweise des Algorithmus.

Schlüsselwörter

Künstliche Intelligenz, Ziffernerkennung, Physikalische Eigenschaften, Machine Learning, Deep Learning, Neuronale Netze, Algorithmus, Python, Performance-Messung, Trägheitsmoment, Massenschwerpunkt, Scatterplot, Classification Report.