14 - Mathematische Grundlagen zu Data Analytics, Neuronale Netze und Künstliche Intelligenz [ID:10722]
50 von 388 angezeigt

Was wir vor der Pause jetzt geschafft haben, war, dass wir diese Rechnungen hier ausgeführt haben,

mit dem Modelltyp, der hier steht, zusätzlich und in der nebenbedingten, Entschuldigung,

ja eigentlich mit dem grundlegenden Modelltyp, der hier steht, realisiert, inklusive dem

Teacherforcing hier und dann eben noch unter der Diskussion von der sparsity der Matrix,

weil sonst ist das alles instabil. So, dann kommen die Lösungen hier raus. Das kann einen

zweimal glücklich machen, zweimal unglücklich, aber man muss irgendwie weitermachen. Man muss

weitermachen und der Nebenbedingung mehr Daten werde ich nicht kriegen. Also was kann ich

denn jetzt machen? Und dann habe ich vor der Pause gesagt, da muss man heute mehr nachdenken. Und

mehr nachdenken heißt in dem Beispiel jetzt, ich muss überlegen, könnte ich dynamische Systeme

nicht noch ganz anders beschreiben, wie das, was ich vorher gemacht habe. Mit dieser Perspektive

sind wir ja auch losgegangen, als wir von den einfachen kleinen Open Modellen zu dieser Salvador

Dali Geschichte gegangen sind, wo wir dann gesagt haben, nein, ich muss einfach dynamische Systeme noch mal völlig neu und anders angucken.

Und mit der Perspektive wollen wir jetzt noch mal loslaufen und alle Modelle, die wir bis jetzt

gemacht haben, waren kausale Modelle. Das heißt, die erklären die Zukunft aus der Vergangenheit heraus.

Aber das ist ja vielleicht nur eine Gewohnheit, dass ich das immer so mache. Es könnte ja sein,

dass man sich auch mal anschaut, wie kann ich denn sozusagen, was an einem bestimmten Zeitpunkt

passiert, wie kann ich das erklären aus der Zukunft heraus? Ich meine, wenn ich den Zeitfall

dahin male, Vergangenheit und Zukunft, und ich will die Gegenwacht erklären, ist die Zukunft genauso weit

weg wie die Vergangenheit. Also wenn ich hier irgendwas erklären will, wäre doch mal eine spannende Frage,

soll ich das nicht ein bisschen mehr symmetrisch zwischen Vergangenheit und Zukunft aufbauen?

Die Frage ist nicht so verrückt, wie es im ersten Moment klingt, weil wir hatten, als wir Kontrolltheorie

gemacht haben, ja schon gesehen, da steht ein Kalkül, der partiell aus der Vergangenheit kommt,

aber partiell auch aus der Zukunft kommt und dann werden irgendwelche Größen daraus abgeleitet.

Also, dass die eine Information aus der Zukunft kommt, ist eine Angelegenheit, die ist schon mal

durchdenkenswert. Und da oben habe ich ein paar Beispiele, die Ihnen das jetzt mal ohne

Mathematik nahelegen sollen. Und ein Beispiel, als jemand, der aus München kommt und hier nach

Erlangen fährt, und das habe ich in der Vergangenheit ganz, ganz oft gemacht, ein Beispiel ist natürlich,

was passiert, wenn sie ganz schnell auf der Autobahn fahren, also auf der A9 hier fahren,

nehmen wir mal an, sie fahren 250. Was ist sozusagen ihr Denkstil, den sie dann haben? Ich habe das

geübt. Ja, sie fahren natürlich auf der Überholspur mit 250, klar. Die Hauptaufmerksamkeit,

die sie denn haben, ist, was machen die Leute, die so langsam fahren? Wenn einer, der nur 100 oder

110 fährt, dann plötzlich die Spur vor ihnen wechselt, dann haben sie ein echtes Problem.

Wie können sie das rauskriegen, ob einer vor ihnen dann nur die Spur wechseln wird, als jemand,

der schnell fährt? Sie haben keine Chance, das als Prognosemodell zu lösen, weil sie sehen die

Person oder sie sehen das Auto überhaupt nicht lang genug. Das einzige, was sie machen können,

ist, sie können sich überlegen, hat der einen Grund, das zu tun? Wenn sie also jetzt hier einen

LKW haben, also sie selber fahren 250 auf der linken Spur, und sie haben also jetzt rechts da

einen LKW fahren, der fährt 100, und da kommt hinten dann hinter dem LKW einer mit 110 an. Da

können sie ziemlich sicher wetten, dass dir noch die Spur wechseln wird und sie haben ein Problem.

Das heißt, ich habe mir überlegt, gibt es irgendwie einen Grund, warum was passiert,

und daraus habe ich abgeleitet, was wird die Dynamik sein, die dann da ablaufen wird. Also das

ist eine Rückwärtsdenke. Wir können dasselbe Beispiel mit A-Lang noch weiterführen. Also ich

habe ja früher für Siemens gearbeitet, er tut es immer noch, und dann bin ich also in Richtung

Norden gefahren. Und wenn man mich also jetzt auf der Autobahn sieht, montags morgens nach Norden

fahren, was ist die Prognose, wo ich wann sein werde? Die übliche Sichtweise wäre wieder zu sagen,

man guckt mir zehn Minuten lang zu und sagt dann, wie ich zehn Minuten später weiter gefahren bin.

Aber wenn man weiß, ich bin Siemensianer und fahre also nach Erlangen, dann kann man auch eine

Langfristvorhersage machen, weil man ja eine gute Annahme hat, wo ich hin will. Und deswegen ist

sozusagen, als alles andere, ist nur Detailgeräte, ob ich dann da in Höhepoltstein oder sonst wo

zu einem bestimmten Zeitpunkt sein. Am Ende des Tages werde ich dann wohl wieder in Erlangen sein.

Zugänglich über

Offener Zugang

Dauer

00:42:27 Min

Aufnahmedatum

2019-04-18

Hochgeladen am

2019-04-18 21:43:17

Sprache

de-DE

Tags

systems networks learning neural model architecture forecast dynamics identification forecasting channel uncertainty approaches
Einbetten
Wordpress FAU Plugin
iFrame
Teilen