Welches Basismodell soll ich für’s Transfer Learning für Bilderkennung verwenden? (Deep Learning)

TL;DR; Benutzt ResNet50. Es ist am schnellsten und günstigsten.

TS;WM – Too Short; Want More

Wenn ihr euch diese Frage auch stellt, dann schlage ich vor einmal auf Standfords DAWNBench vorbeizuschauen: https://dawn.cs.stanford.edu/benchmark/index.html.

Im Menü links unter Image Classification (ImageNet) oder Image Classification (CIFAR10) könnnt ihr jeweils sehen, welches Basismodell gerade auf ImageNet bzw. CIRFAR10 am schnellsten (Training Time), am günstigen (Training Cost: Kosten in USD) trainiert werden kann, für welches die Erkennungsgeschwindigkeit eines Bildes am höchsten (Inference Latency) und wie teuer die Erkennung von 10.000 Bildern im Licht aktuelle Clouddienstleisterkosten ist (Inference Cost).

Der klare Gewinner ist ResNet50.

Ich würde daher für den Bau eines Bilderkennungsmodells immer mit ResNet50 beginnen. 

Ausnahme: Mobile Geräte. Wenn das Modell unbedingt auf einem Smartphone oder einem Raspberry Pi verwendet werden muss, weil  der der Einsatz einer API nicht infrage kommt, gibt es spezielle andere Architekturen. Ein Beispiel ist Mobilenet V2.

Bau meiner extendable Deep Learning Machine – “Deep Al”

Seit ich mich mit Deep Learning beschäftige habe ich bis auf bei kleineren Modelle immer auf Cloud Services gesetzt (vor allem AWS, aber auch GCP, Azure und zuletzt auch Google Colab). In letzter Zeit ist jedoch mein Wunsch nach  einer eigenen (erweiterbaren) Deep Learning Machine gewachsen. Um Modelle für meine Kunden zu rechnen, aber auch für meinen weiteren Lernfortschritt. Nach einem Monat Recherche habe ich mir nun letzte Woche (Januar 2019) folgendes Setup bestellt:

Wichtige Kritieren waren für mich:

  • Preis möglichst nicht mehr als 2000 Euro
  • gutes Preis/Performance-Verhältnis
  • gutes Performance/Energieverbrauchsverhältnis
  • niedrige Lautstärke
  • Erweiterbarkeit hin zu einem Multi-GPU-System

Zur GPU: Für Deep Learning ist die GPU entscheidend. Ich habe mich für die RTX 2070 entschieden, da diese laut diesem Artikel von Tim Dettmers das beste Preis Leistungsverältnis bietet. Das  besondere an den NVIDIA RTX 20XX-Grafikkarten, ist, dass man auf ihnen Deep Learning Modelle mit 16 Bit rechnen kann. Genug Genaugigkeit für Deep Learning und mit dem angenehmen Nebeneffekt, dass so aus 8 GB DDR6 RAM auf der Karte effektiv 16 GB werden! Daher ist auch die Performance der 20XX-RTX-Karten besser als die der GTX 10XX Karten.

Mehrere GPUs und PCIe Lanes. Um mehr als eine GPU betreiben zu können ist die Anzahl unterstützter PCIe-Lanes relevant. Bei einer GPU beträgt der Performance-Verlust von 8x gegen 16x allerdings nur wenige Prozent. PCIe Lanes transportieren Daten aus dem CPU RAM zum GPU RAM. Laut Tim Dettmers betragen die Ladezeite für ein Batch aus 32 ImageNet-Bilder (32x225x225x3) bei 32 Bit mit 16 Lanes 1,1 Millisekunden, mit 8 Lanes 2,3 Millisekunden und mit 4 Lanes 4,5 Millisekunden. Wenn man nun bedenkt, dass ein Forward- + ein Backward-Pass durch ein ResNet-152-Netzwerk 216 Millisekunden dauert, dann machen 18 zu 8 Lanes eine Geschwindigkeitsdifferenz von 0,55% bzw. 1,56%. Für eine GPU ist die Anzahl Lanes also ziemlich egal.

Anders ist das bei mehreren GPUs. Dettmers empfiehlt bei 4 GPUs 8 Lanes pro GPU. Also allein 32 Lanes für die GPUs – mehr, als die meisten Prozessoren liefern.

Prozessor. “Reguläre” Intel Prozessoren haben nur circa 16 bis 28 PCIe-Lanes. Und schon SSD, Netzwerkadapter benötigen manchmal 4 Lanes. Für einen Gaming-PC kein Problem, wohl aber für ein Multi-GPU Deep Learning System.

Damit kommen eigentlich nur Intel Xeon oder AMD Threadripper Prozessoren infrage. Neue Xeon Prozessoren sind zu teuer (>1000 EUR). Da mir auch wichtig ist bei der Vorverarbeitung (Preprocessing) von Daten nicht zu lange warten zu müssen und dafür auch die CPU eine Rolle spielt, wollte ich lieber einen aktuelleren Prozessor und habe daher den kleinsten Threadripper, das Modell 1900x, gewählt, der wie alle anderen Threadripper auch 64 PCIe Lanes unterstützt.

Motherboard: Das Aorus Pro Motherboard hat genug Platz und Steckplätze für ein 4xGPU Setup und unterstützt 16x / 16x / 8x / 8x PCIe Lanes pro Karte und ist mit circa 300 EUR Kostenpunkt das günstigste Modell für diese Kriterien.

RAM. Wieder bei Tim Dettmers habe ich gelernt, dass CPU RAM nicht besonders relevant ist. Es reicht völlig aus, wenn man soviel CPU RAM hat wie GPU RAM. Warum habe ich nun also 16 GB RAM und nicht etwa 8 GB RAM? Das liegt eben daran, dass der RTX RAM doppelt zählt (s. unter Grafikkarte).

Auch der RAM-Taktgeschwindigkeit wird oft zuviel Gewicht beigemessen: die meisten Motherboards unterstützen überaupt nur bis 2666 MHz RAM. Und da RAM für Deep Learning eh eine untergeordnete Rolle spielt, sollte man sein Geld statt in mehr und schnelleren CPU RAM zu stecken, lieber in weitere GPUs investieren! Genau das habe ich vor. Schon in ein paar Monaten stecke ich entweder eine zweite RTX 2070 dazu oder verkaufe die RTX 2070 und schaffe dafür zwei RTX 2080 an, wenn diese bis dahin im Preis gefallen sein sollten.

Zum Kühler: der Artic 33 TR, den ich gekauft habe, ist solide, sieht gut aus und macht sehr wenig Geräusche. Allerdings war die Montage nicht ganz so einfach und er deckt mit seiner Kühlfinne nicht den ganzen CPU Headspread ab. Daher würde ich von ihm zugunsten des Noctua NH-U14S TR4-SP3 Kühlers abraten. Ich werde den in den nächsten Wochen tauschen. Einen interessanten Test dazu könnt ihr hier lesen.

Zu den Speichermedien. SSD 500 GB: einfach, weil es schnell ist. Da laufen Betriebssystem und dort liegen jeweils die Daten für das aktuell in der Entwicklung befindliche Modell. HDD 3 TB: für Datensätze für frühere oder spátere Modelle.

Zum Netzteil. Ihr solltet für alle eure Komponenten den Energiebedarf vorausberechnen. Das sind bei mir:

  • Threadripper 1900X: max. 180Watt
  • ARCTIC – Freezer 33 TR (Black/White) CPU Cooler: 5Watt – 10Watt
  • Corsair – Vengeance LPX 16 GB (2 x 8 GB) DDR4-2400 Memory: 11 Wattatt
  • Seagate – Barracuda 3 TB 3.5″ 7200RPM Internal Hard Drive: 4 Watt – 20Watt
  • Samsung – 970 Evo 500 GB M.2-2280 Solid State Drive: 2 Watt – 10 Watt
  • Zotac – GeForce RTX 2070 8 GB Video Card: 46 Watt – 185 Watt
  • Insgesamt: 90 Watt – 416 Watt

Ich habe dennoch ein 1000 Watt Netzteil genommen, da dies noch 3 weitere RTX 2070 Grafikkarten mitversorgen könnte. Das wird, sofern ich auch 2080 Karten upgraden sollte schon zu knapp, da diese jeweils 225 Watt brauchen. Allerdings, will ich das nun doch erst noch einmal abwarten. Ich habe das Platinum Modell genommen, da dies im Vergleich den höchsten Leistungsgrad im Vergleich zu anderen Modellen (Gold oder Silber) hat. Warum das relevant ist? Wenn das Gerät bei mir in Zukunft für größere Kundenmodelle oder auch meine Experimente mal einen Monat durchläuft, dann wären das bei 4GPUs und einem Strompreis von circa 30 Cent pro KWh 216 EUR Stromkosten – bei einem Leistungsgrad von 100%. In Wahrheit liegt dieser natürlich niedriger. Jede PSU Klasse macht in etwa 3 % Leistungsgradunterschied. Macht auf einen Monat dann schon einmal 6.5 Euro zur nächsten Stufe (Platinum vs Gold). Für mich ist das der Anschaffungspreis von +50 EUR mehr in Ordnung. Das Netzteil soll ja auch viele Jahre halten.

Zum Gehäuse. Wichtig ist, dass das Gehäuse volle ATX Größe hat, damit alle Komponenten Platz finden. Darüberhinaus hat mir das 750D Airflow Modell mit Glasscheibe von Corsair einfach gut gefallen.

Betriebssystem: Ich habe Ubuntu 18.04 LTS intalliert.

Zusammengebaut habe ich die Maschine mit Joachim Tecklenburg, der mich auch in puncto Online Marketing berät und unterstützt.

Wenn ihr Gedanken, Feedback, Vorschläge oder Kritik zu meinem Setup habt, freue ich mich von euch zu hören! Auch höre oder lese ich gerne über eure Setups!

In meinem nächsten beiden Artikel berichte ich jeweils einmal  über die Installation von fastai und pytorch sowie keras mit tensorflow Backend auf dieser Maschine.

Mit besten Grüßen und bis dahin: Forward-Pass!

Frank

Backup von mongodb: dump und restore für in docker.

Mein System: MacOS High Sierra 10.13.5 (2018), die Anleitung sollte aber auch auf den meisten Linuxmaschinen funktionieren. Über Windows kann ich leider keine Aussage machen.

Für mich stellte sich jüngst die Frage wie man eine mongodb-Datenbank aus einem Container exportiert und anschließend in einen neuen Container importiert. Hier für alle, die das auch interessiert / benötigten eine kurze Anleitung wie ich das gemacht habe, Wie immer gibt es mehrere Möglichkeiten. Ich habe mich bemüht eine Lösung zu finden, die einigermaßen einfach ist.

dump / backup der MongoDB aus docker container

Ich gehe davon aus, dass euer docker Container, der mongo beinhaltet läuft. Kümmern wir uns als erstes um das, was ihr braucht. Das sind:

  • den Namen des virtuellen Netzwerks, indem euer Container läuft
  • einen lokalen Ordner für den dump, z.B. ~/backup

Namen des virtuellen Netzwerks eines docker Container finden

container_id finden

> docker container ls

In der ersten Spalte findest du zu deinem Container die docker_id

Namen des virtuelle Netzwerks finden

Wenn ihr:

> docker inspect <container_id>

eingebt, findet ihr direkt unter “Network”, den Namen des Netzwerks. Nenne wir ihn ab jetzt <network_name>.

Dump der MongoDB aus Container

Gebt folgendes ein:

> docker run --rm --network=<network_name> --mount type=bind,src=<Pfad zu eurem Backup Folder>/backup,dst=/backup mongo bash -c 'mongodump --out /backup --host mongo:27017'

(Optional): Geht auch ohne es zu verstehen. Wer es aber verstehen will hier eine Erklärung. docker run startet einen weiteren Container. Die Option –rm stellt sicher, dass sobald der Container seine Aufgabe erfüllt hat wieder gelöscht wird. Die Option –network=<network_name> hängt den neuen temporären Container in dasselbe Netzwerk, indem sich der mongo Container befindet, von dem der dump gewünscht ist.–mount type=bind,src=<Pfad zu eurem Backup Folder>/backup,dst=/backup stellt eine Verbindung eines Backup-Folders auf eurer Maschine mit einem Ordner innerhalb des docker Containers. mongo ist der Name des Images, dass ihr für den temporären Container verwendet.  Der anschließende Befehlt: bash -c ‘mongodump –out /backup –host mongo:27017’ führt in eure Container den Bashbefehl “mongodump –out /backup –host mongo:27017” aus, der letztlich vom im virtuellen Netzwerk befindlichen mongodb Server (Option: —host mongo:27017) dessen Datenbank in den Ordner /backup dumpt (Option: –out /backup). Da der Folder /backup im Docker Container mit dem Folder <Pfad zu eurem Backup Folder> mit eurer lokalen Maschine verbunden ist, findet ihr den dump nun dort.

(Optional) Packen des Dumps:

Für den Fall, dass ihr das dump bewegen wollt, bietet sich packen an. Das geht so:

> tar -cvzf ~mongo_dump.tar.gz <Pfad zu eurem Backup Folder>

Restore der MongoDB in Container

(Optional) Entpacken des Dumps:

Solltet ihr den dump gepackt haben, so müsst ihr diesen nun entpacken. Das geht so. Zunächst müsst ihr das Archiv in den Ordner kopieren, den ihr in einen Container mounten wollte.

> cp <Pfad zu mongo_dump.tar.gz> <Pfad zu eurem Backup Folder>

Anschließend wechselt ihr in diesen Ordner:

> cd /Users/<PROFILE-FOLDER>/backup

Und entpackt den Inhalt:

> tar -xvzf learning_locker_mongo_dump.tar.gz

Und löscht nun die Kopie des Archivs:

> rm mongo_dump.tar.gz

Import des dumps

Findet zuvor analog zur Anleitung oben den Name des virtuellen Netzwerks <network_name> heraus. Einen Backup Folder mit Pfad <Pfad zu eurem Backup Folder> sollte ihr auch haben, indem sich ein entpackter dump befindet.

Gebt nun:

> docker run --rm --network=< --mount type=bind,src=/Users/<PROFILE-FOLDER>/backup,dst=/backup mongo bash -c 'mongorestore /backup --host mongo:27017'

ein.

Viel Erfolg!

Probleme mit Bildern in WordPress

Solltet ihr einmal wie ich seit einigen Tagen Probleme mit Bildern – beim Hochladen oder fehlenden Vorschaubilder – in WordPress haben, dann schaut euch dazu diese beiden Quellen an.

und diesen Artikel

https://www.iocreed.com/wordpress-http-error-uploading-images/

Letztlich gibt es für das Problem leider sehr viele unterschiedliche mögliche Ursachen. Mich hat schon allein dar recherchieren nach Lösungen bestimmt einen halben Tag gekostet. Die besten Quellen waren diese zwei. Hoffentlich kommt ihr damit schneller zu einer Lösung als ich!

Ich habe vor nicht allzu langer Zeit meine Multisite umgezogen. Letztlich war bei mir die Lösung einmal die Ordner Rechte auf 744 und die Bildrechte auf 644 umzustellen. Verwendet habe ich dafür FileZilla. Als zweites musste ich für weitere Bilder unter Einstellungen -> Permalinks einmal auf “einfach” zurückstellen und dann wieder auf “Tag und Name”. Was dabei passiert, wird im oberen Video erklärt.

Viel Erfolg!

Blank images / leere Bilder Problem in Google Maps lösen.

Vielleicht hattet / habt ihr das Problem, dass alle oder zumindest manche Google-Maps Bilder nicht richtig angzeigt werden?

Das Problem sind Fehlerhafte Cookies. Um es zu lösen geht unter: chrome://settings/content/cookies  und  klickt auf “See all cookies and site data” und sucht im Suchfeld (Im Feld steht:”Search Cookies”) nach “www.google.com”. Es erscheint dann folgender Eintrag:

Klickt den Eintrag an und ihr bekommt folgende Detailansicht:

Das Problem liegt jetzt in einem oder mehreren Cookies mit dem Format:

gsScrollPos-<ZAHL>

Mir ist leider keine einfache Methode bekannt mit der man jetzt den oder die fehlerhaften unter diesen Einträgen identifizeren könnte. Es ist daher am einfachsten, ihr löscht sie einfach alle durch Klick auf das ‘x’ daneben.

Diese Cookies speichern jeweils ob man gescrollt hat – es sollten demnach keine anderen Auswirkungen resultieren. Cookies, die Google benötigt legt es sonst wieder an.

Viel Spaß nun wieder beim Nutzen von Google Maps!

How to ignore *.pyc files in Atom.

You are furious about all theses *.pyc files in you workfolder? I hear you. Here is how you can get rid of them.

  • Go to Atom -> Preferences -> Core Tab
  • Scroll down to “Ignored Names”
  • add -> *.pyc

  • in Packages -> type: tree-view
  • click on the card “tree view”
  • check the checkbox next to “Hide Ignored Filenames”

  • You are done! Time to be happy again 🙂

3. Platz auf dem Bertelsmann Hackathon

Anfang April war wieder der Bertelsmann Hackathon im Denkwerk in Herford. Designer, Programmierer und Softwarevisionäre entwarfen und bauten dort über die nächsten 36 Stunden an coolen Lösungen für Challenges aus den Tochterfirmen der Arvato-Unternehmensbereichs. Arvato gehört zum Bertelsmannkonzern und betreibt Servicecenter und IT-Systeme und bietet weltweit u.a. Logistik- und Finanz- und IT-Dienstleistungen.

Hier ein paar Worte einiger Teilnehmer, Teamkollegen und mir im Film zum Bertelsmann Hackathon 2018.

Zu fünft haben wir an einer Lösung gearbeitet Bluethooth Beacons (Bluethoothsender) zur Ortung im Raum einzusetzen.  Wir haben Raspberry Pis mit Bluethooth Dongle im Raum verteilt, die die Beacons empfangen können und aus den anfallenden Entfernungsdaten die räumliche Position der Beacons berechnet. Ich habe zusammen mit zwei Teamkollegen an der Software gearbeitet. Jeweils ein Teamkollege haben am Flask-Backend und einer an der Rapsberry Pi Programmierung gekümmert (Python). Ich habe mich um Berechnungsverfahren (Trilateration), Frontend (Vanilla JS + heatmap.js) gekümmert und die Kommunikation im Softwareteam moderiert. Zwei weitere Teammember haben sich um Businessmodell, Kommunikation, Marketing und Sales gekümmert. Sie sind sogar  “auf die Straße” gegangen und haben in Startup-Weekend-Tradition echte Kunde angesprochen und sie um ihr Feedback bzw. nach ihrem Interesse gefragt. Die Ergebnisse waren gut und wir waren gespannt auf das Feedback der Jury am Sonntag. Bevor wir dazu kommen ein paar Worte zur Hackathons allgemein und im besonderen des Bertelmann Hackathons.

Warum solltest auch du an einem Hackathon teilnehmen?

Hackathons sind eine großartige Gelegenheit dazuzulernen. Sie sind meist kostenlos, es gibt meist Verpflegung und Unterkunft und oft auch eine Reisekostenerstattung – was insbesondere für Stundenten und junge Professionals interessant sein kann. Alle diese Bedingungen waren beim Bertelsmann Hackathon erfüllt.

Ich kann jedem – egal wie fit ihr im Coden seid. Der Erfolg von Softwareprojekten liegt in der Zusammenarbeit der Teammitglieder und/oder von Kunden und Auftraggebern. Es kommt darauf an mit Menschen unterschiedlicher Hintergründe und unterschiedlichen Fähigkeiten gut zusammenzuarbeiten. Ich denke es gibt keinen besseren Weg als das auf einem Hackathon zu lernen. Man lernt definitiv viel neues kennen: übers Entwernfen, Coden, Teambildung und Zusammenarbeit. Und natürlich nette Leute – unter den Teilnehmern und Veranstaltern. Man gewinnt zudem  hautnahe Einblicke in die Arbeit eines interessanten Unternehmens und Konakte zu Mitarbeitern und Personalern.

Trotzdem ich bereits seit vielen Jahren arbeite, macht mir das Format immer noch großen Spaß und es gibt immer wieder vieles neues zu lernen – so sind Hackathons unabhängig von der Erfahrungsstufe ein tolles Event.

Warum sich die Teilnahme am Bertelsmann Hackathon lohnt

Den Bertelsmann Hackathon fand ich insbesondere gut, da es viele unterschiedliche Challenges gab, bei denen viele aktuell Technologie zum Einsatz kam: Roboter, verteilte Systeme, Blockchain, Bilderkennung und Bots.  In der Vorstellung der Challanges hat man zudem gute Einblicke in vier verschiedene Unternehmen von Arvato erhalten. Auch ist das Denkwerk als Location absolut genial. Nicht nur war das Essen gut, sondern es gab auch Möglichkeiten zum Trainieren, Schlafmöglichkeiten sowie angenehm eingerichtete Arbeits- und Gruppenräume sowie Rückzugsräume, um auch tagsüber mal 30min Ruhe tanken zu können. Das Arvato-Team hat zudem erfolgreich für eine angenehme Atmosphäre gesorgt und interessante Einblicke in ihren Arbeitsalltag gegeben. Ansprechpartner waren praktsch 24/7 anwesend und ansprechbar.

3. Platz!

Für uns hat sich die Teilnahme gleich doppelt gelohnt. Nicht nur hatten wir großen Spaß, sondern konnten als eines von drei Teams am Sonntag die Jury mit unserer Lösung überzeugen und haben so den 3. Platz gemacht und jeder einen Raspberry Pi gewonnen. Nicht schlecht für eine kostenlose Veranstaltung.

Also, ich kann euch Hackathons speziell und den von Bertelsmann im bersonderen empfehlen. Schaut doch nächstes Jahr einmal vorbei! Vielleicht lernen wir uns dann dort kennen!

Hackathons nach Ort findet ihr übrigens hier:

Ich werde als nächstes wahrscheinlich zum Healthcare Hackathon im September nach Kiel gehen.

Mit Rambox Ordnung ins Messenger-Chaos bringen.

Liebe Leser,

ich bin vor einigen Tagen auf Rambox gestoßen und habe es mir nach und nach eingerichtet. Rambox ist eine Anwendung für Windows, Mac und Linux, in der ihr (fast) alle gängigen Messenger in einer Anwendung zusammenfassen könnt.

Ich verwende es u.a. mit Mattermost, Telegram, Whatsapp, Skype und Google Hangouts.

Die Einrichtung ist einfach und wird über leicht nachvollziebare Dialoge begleitet.

Rambox macht das Schreiben von Nachrichten sehr viel angenehmer mit individuellen Messenger-Apps auf dem Telefon, Laptop oder im Browser.

Schaut’s auch mal an!

Euch eine gute Zeit!

Frank Wolf

Was ist eigentlich statistische Signifikanz?

Statistische … was?

Wenn etwas statistisch signifikant ist, sagen wir, dass das Ergebnis einer Untersuchung (z.B. der Wirkung eines Medikamentes) nicht zufällig gewesen sein kann.

Die statistisch Signifikanz (der sog. p-Wert) gibt an wie unwahrscheinlich es ist, dass das Ergebnis einer Untersuchung zufällig passiert ist. Je kleiner er ist, desto unwahrscheinlicher, dass der Zufall am Werk war. Umgekehrt halten wir ein statistsiches signifikantes Untersuchungsergebnis für ein Ergebnis, dass nicht zufällig passiert ist.

Was?!

Schauen wir uns dazu ein einfaches Beispiel an.

Ein einfaches Beispiel: Kinder beim Zähneputzen.

Kinder sollen sich abends vor dem Schlafengehen die Zähne putzen. Bei mir war das so und bei den meisten Kindern, die ich kenne, ist das auch heute noch so. Und, es hat sich nicht viel geändert, seit ich klein war: Kinder haben noch immer nicht so große Lust dazu. Also muss man sie immer wieder daran erinnern. Sagen wir eine Mutter erinnert ihre Tochter Jule, sie soll sich die  Zähne putzen. Jule entgegnet nun aber: “Ich habe mir schon die Zähne geputzt!” Allerdings ist ihre Zahnbürste noch trocken.

Unsere Schlussfolgerung ist: da die Zahnpürste noch trocken ist, ist es unwahrscheinlich, dass sich Jule schon die Zähne geputzt hat. Ihre Mutter wird also davon ausgehen, dass Jule die Zähne noch nicht geputzt hat und sie nochmals ins Bad schicken.

Aus Sicht des Statistikers sieht die Situation so aus:

  • Daten: die Zahnbürste ist trocken
  • Hypothese: Jule hat sich die Zähne schon geputzt
  • Folgerung: falls die Hypothese wirklich wahr wäre, wären die Daten außergewöhnlich, daher verwerfen wir diese Hyothese und nehmen die stattdessen ihr Gegenteil (Jule hat ihre Zähne noch nicht geputzt) als wahr an

Wie bereits am Anfang gesagt: die statistische Signifikanz gibt an wie wahrscheinlich es ist, dass das Ergebnis einer Untersuchung zufällig ist.

Probleme bei statischen Tests

Interessant ist auch folgendes: nur, weil wir ein Test aussagt, dass eine Untersuchung statistische signifikant wahr, heißt das noch lange nicht, dass sie auch notwendigerweise wahr ist. Beispielsweise hätte Jule auch so vor dem Zähneputzen drücken können, indem sie die Zahnbürste einfach eine Sekunde unter laufendes Wasser hält. Dann ist sie nass und es erscheint so, als ob sie sich die Zähne geputzt hätte – zumindest, wenn wir die Trockenheit bzw. Nassheit der Zahnbürste als alleiniges Kritierum für die Untersuchung heranziehen. Um also sicher zu gehen müssten noch weitere Faktoren untersucht werden: z.B. Füllstand der Zahnpastatube oder die Menge Wasser, die durch den Wasserhahn gelaufen ist, als sie im Bad war. Man könnte auch ihren älteren Bruder befragen usw. Auch diese Messwerte könnten ihre Probleme haben, geben uns aber zunehmend mehr Sicherheit für das Für und Wider der Hypthese.

Ein weiterer Punkt: wir können uns nie 100% sicher sein. Wenn ihre Mutte Jule z.B. um 18:00 daran erinnert hat Zähne zu putzen und Jule das sofort gemacht hat, der Tag warm war und im Bad die Heizung voll aufgedreht, weil es nachts noch kalt gewesen war, dann ist es nicht ausgeschlossen, dass die Zahnbürste 2 Stunden später schon wieder außen trocken ist und die Mutter, die die Zahnbürste nur äußerlich kontrolliert hat nun zu der Schlussfolgerung gekommen ist, die Zahnbürste wäre trocken.

Die Resultate solcher Untesuchungen sind immer nur mit einer bestimmten Wahrscheinlichkeit zutreffend oder unzutreffend.

Akzeptable Irrtumswahrscheinlichkeit

Häufig fordern Experimente oder Untersuchung ein sog. Signifikanzniveau. Oft liegt das bei 5%. In Formeln sagt man: p < 0.05 muss erfüllt sein. p ist der sog. Wahrscheinlichkeitswert. Und wir akzeptieren Untersuchungen dann, wenn Fehler in weniger als einem von 20 Fallen auftreten – bzw. in weniger als 5% der Fälle. Daher spricht man von einem 5%-Signifikanzniveau.

Beispiel: Wirkt das Medikament?

Betrachten wir z.B. die Wirksamkeit eines Medikaments. Ein Signifikanzniveau von 5% heißt nun, dass sofern wir sehen, dass ein Medikament statistisch signifikant wirksam ist, die Wahrscheinlichkeit, dafür, dass das reiner Zufall ist bei 5% liegt.

Zwar wird ein Wert von 5% oft verwendet, ist aber willkürlich. Gerade bei Medikamententest möchten wir vielleicht lieber ein Signifikanzniveau von 1% oder sogar 0,1%. Wir wollen also, dass die Irrtumswahrscheinlichkeit für die Wirksamkeit des Medikaments geringer ist.

Ergibt ein Signifikanztest beim Vergleich von zwei Gruppen von Patienten – eine mit und eine ohne Medikament – eine Heilungsdifferenz von 10% zugunsten der Gruppe mit Medikament und ergibt sich ferner dafür ein p-Wert von 0,0005, dann bedeutet das: die Wahrscheinlichkeit dafür, dass die Gruppe mit Medikament 10% schneller geheilt ist, ist mit einer Wahrscheinlichkeit von 0.05% auf den Zufall zurückzuführen. Also sehr unwahrscheinlich zufällig und daher sehr wahrscheinlich auf das Medikament zurückzuführen!

Wobei natürlich auch für diese Untersuchung ähnlich wie für die Betrachtung von Jule beim Zähneputzen gilt: auch, wenn die Untersuchung sehr für das Medikament spricht, kann es immer noch sein, dass wir nicht richtig oder nicht genug messen. Es könnte z.B. sein, dass die Gruppe mit Medikament im Mittel 20 Jahre jünger war, als die Gruppe ohne Medikament oder die Gruppe mit Medikament könnte sich jeden Tag Blaubeeren reinhauen, die entweder unabhängig vom und gemeinsam mit dem Medikament die Heilung positiv beeinfluss haben könnte. Daher ist es wichtig wie wir die Patienten für Studien oder allgemeiner die Attribute für unsere Untersuchung auswählen und zudem die Zusammenhänge zwischen den Attributen und dem Ergebnis untersuchen. Für Experimente, deren Ergebnis möglichst zweifelsfrei auf die Maßnahme (hier: das Medikament) zurückgeführt werden kann, müssen wir die Auswahl der Stichproble (hier: der Patienten) randomisieren, also zufällig gestalten und zusätzlich für wichtige Attribute kontrollieren: z.B. Alter, Ernährungsgewohnheiten, andere Erkrankungen, bestimmte Genausprägungen usw., wovon wir wissen, dass es die Untersuchungsergebnisse verfälschen könnte.

Im nächsten Artikel möchte ich zeigen wie man für einen konrekten Fall einen p-Wert berechnen kann.

Udacity – Deep Learning Nanodegree: Was ist Deep Learning?

Seit November 2017 nehme ich am Deep Learning Nanodegree von Udacity teil. Deep Learning ist ein Machine Learning Ansatz, der auf künstlichen neuronalen Netzwerken (KNN) aufbaut. Inspiriert wurde dieser Ansatz von natürlichen Neuronensystemen, aus denen Nervengewebe und vor allem das Gehirn besteht. Im Gegensatz zum “Shallow Learning”, in dem nur eine Schicht künstlicher Neuronen zur Datenanalyse verwendet werde, verwenden “Deep Nets” (“tiefe oder besser: vielschichte Netzwerke) mehrere übereinander gestapelte Schichten aus Neuronen. So können, die Informationen – z.B. die eines Bildes, dessen Inhalt erkannt werden soll – auf der einen Seite als Pixel in das Netzwerk eingegeben werden und von Schicht so zu Schicht können so aus abstrakteren Einheiten konkreter Bildelemente erkannt werden. Im Beispiel können das z.B. in der ersten Ebene die groben Pixel, in der zweiten Ebene, Kanten und Ecken sein, in der zweiten Ebene einfache Formen wie Kreise, Ovale, Rechtecke und Trapeze und noch eine Ebene höher konkrete Bildeinheiten wie Haare, Stuhllehnen, Knöpfe, Wangen und Nasen und noch eine ebene höher, dann z.B. ein Hund von einem Huhn unterschieden werden. Die Vielschichtigkeit ist das Geheimnis und die Innovation von Deep Learning.

Heute gehören die diversten KNN-Verfahren – darunter Convolutional neural networks, rekurrente neuronale Netzwerke, Generative adversarial networks oder Deep reinforcement learning zu den Go-To-Methoden für die Lösung verschiedenster Probleme: darunter Spracherkennung, Spracherzeugung, Texterkennung, automatische Textübersetzung, Bilderkennung, Computer-KI-Systeme für Computerspiele, selbstfahrende Autos u.v.m. – konkret sind das Sprachassistenten wie Googles Assistent oder Amazons Echo oder die automatische Erkennung von Stimmungen in Chattexten oder Rezensionen (sog. Sentiment Analyse), in Bildern können Hunde, Hunderassen erkannt aber auch bösartige Tumore entdeckt werden, in Computerspielen haben zunehmend die Computer die Hosen an: die Schachtrophäe ging ja bereits 1998 von Kasparov an Deep Blue über, seit 2015 triumphieren aber auch Computer im intuitiven Spiel Go über Fähigkeiten menschlicher Weltmeister, auch sind autonome Fahrzeuge auf den Vormarsch – z.B. in den Logistikzentren und Lagerhallen großer Online-Versandhäuser.

Die Theorie neuronaler Netzwerke (KNN) beginnt  im Jahr 1943 mit Warren McCulloch und Walter Pitts. Sie berschreiben, das KNN theoretisch beliebige Berechnungen anstellen könnten. Trotz erster Erfolge – beispielsweise die kommerzielle Anwendung erster KNN zur automatischen Echofilterung in Telefonaten im Jahr 1960, die auf Arbeiten von Bernard Widrow und Marcian E. Hoff das ADALINE (ADAptive LInear NEuron) zurückgingen, geriet die Forschung um KNN zunächst in Stocken. Grund dafür waren mathematische Probleme, die Seymour Papert und Marvin Minsky 1969 identifizierten: darunter die Unmöglichkeit der damals zur Verfügung stehenden Netzkwerke, den recht einfachen logischen Operator XOR abzubilden. Infolgedessen wurden zunächst die meisten Forschungsgelder gestrichen. Wenn auch gebremst, ging die Forschung weiter. 1974 beschrieb Paul Werbos das heute wichtige Backpropagation oder Fehlerrückführungsverfahren. Seine Renaissance erlebten die KNN jedoch erst wieder ab 1985, als man entdeckte, dass mehrschichtige KNN, paralell via Backprogation trainiert werden konnten, und mit diesen das Problem der linearen Separierbarkeit gelöst und das XOR- Gatter simuliert konnte. Damit waren Papert und Minsky wiederlegt.

Als Data Scientist bin ich zwar ebenfalls diverse Male mit neuronalen Netzwerken in Berührung gekommen, aber einen umfassenden Überblick konnte ich mir noch nicht verschaffen. Das ist mein Ziel für die Teilnahme am Deep Learning Kurs von Udacity. Der Kurs ist mit 600 EUR zwar nicht billig, ich versprach und verspreche mir davon aber eine Aktualisierung und Erweiterung meines aktuellen Wissens zum Thema Deep Learning sowie eine vertiefte Anwendung in meinen Arbeitskontext. Ich habe mittlerweile den ersten Teil abgeschlossen. Neu waren für mich in dem Zusammenhang u.a. die beiden Python Bibliotheken Keras und Tensorflow, die den Bau von mehrlagigen neuronalen Netzwerken (=deep neural nets) ermöglichen. Ich habe bislang mit der MLLIB von Scala neuronale Netzwerke trainiert. Auch habe ich bisher keine Regression mit KNNs gemacht, das hat sich im Wege der ersten Projekts im Rahmen des Kurs geändert. Dafür mussten wir Daten eines Jahres analysieren und den Bedarf eines bestimmten Produktes an bestimmten Standorten in Abhängigkeit diverster Faktoren vorhersagen. Das hat mit wenigen Ausnahmen sehr gut geklappt. Ein weitere schöne Sache war die Sentiment-Analyes in Texten mit NLTK. Das ist auch ein sehr schönes Kit, um Texte zu minen. Im nächsten Teil, an dem ich bereits arbeite geht es um convoluted neuronale Netzwerke und hauptsächlich Bilderkennung. Ich bin schon sehr gespannt!