Was ist Machine Learning?
Gizem Baruk I 18.08.2021
Gizem Baruk I 18.08.2021
Machine Learning ist ein Teilgebiet der künstlichen Intelligenz. Mithilfe des maschinellen Lernens sind IT-Systeme in der Lage, auf Basis vorhandener Datenbestände und Algorithmen, Gesetzmäßigkeiten und Muster zu erkennen und Lösungen dazu zu entwickeln. Kurz gesagt wird künstliches Wissen aus Erfahrungen generiert. Erkenntnisse, die bereits aus Daten gewonnen wurden, lassen sich verallgemeinern und für neue Problemlösungen oder für Analysen von bisher unbekannten Daten verwenden.
Damit die Software eigenständig lernen und Lösungen finden kann, müssen die Systeme mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Dazu sind Regeln für die Analyse des Datenbestandes und das Erkennen der Muster aufzustellen. Wenn passende Daten vorhanden und Regeln definiert sind, so können Systeme mit maschinellem Lernen:
• Vorhersagen auf Basis der analysierten Daten treffen
• Relevante Daten finden, extrahieren und zusammenfassen
• Wahrscheinlichkeiten für bestimmte Ereignisse berechnen
• Prozesse auf Basis erkannter Muster optimieren und sich der Entwicklung eigenständig anpassen
Damit die Software eigenständig lernen und Lösungen finden kann, müssen die Systeme mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Dazu sind Regeln für die Analyse des Datenbestandes und das Erkennen der Muster aufzustellen. Wenn passende Daten vorhanden und Regeln definiert sind, so können Systeme mit maschinellem Lernen:
• Vorhersagen auf Basis der analysierten Daten treffen
• Relevante Daten finden, extrahieren und zusammenfassen
• Wahrscheinlichkeiten für bestimmte Ereignisse berechnen
• Prozesse auf Basis erkannter Muster optimieren und sich der Entwicklung eigenständig anpassen
Welche Arten des Machine Learning gibt es?
• aktives Lernen
• bestärkendes Lernen
• unüberwachtes Lernen
• teilüberwachtes Lernen
Das teilüberwachte Lernen
besteht aus den Ansätzen des unüberwachten und überwachten Lernens und ist somit eine Mischung aus beiden Methoden.
Eine zentrale Rolle haben dabei die Algorithmen. Sie sind für das Erkennen von Mustern und das Generieren von Lösungen verantwortlich und lassen sich in verschiedene Kategorien einordnen:
• bestärkendes Lernen
• unüberwachtes Lernen
• teilüberwachtes Lernen
• überwachtes Lernen
Beim aktiven Lernen
reagiert der Algorithmus auf Eingangsdaten, indem er spezifizierte Fragen verwendet und damit passende Ergebnisse erfragt. Dabei werden die Fragen anhand der Ergebnisrelevanz durch den Algorithmus ausgewählt. Die Daten können online oder offline vorliegen, sodass die Datenherkunft keine Rolle spielt. Für den Lernprozess können die Daten zusätzlich mehrfach verwendet werden.
Das bestärkende Lernen
basiert auf dem Prinzip von Belohnungen und Bestrafungen. Durch negative und positive Reaktionen wird dem Algorithmus mitgeteilt, wie er auf verschiedene Situationen zu reagieren hat.
Beim unüberwachten Lernen
werden zu Beginn des Lernprozesses keine Zielwerte oder Belohnungen definiert. Oftmals steht das Erlernen des Clusterings (Datenpunktgruppierungen) im Fokus. Der Algorithmus versucht im Grunde, die vorliegenden Daten nach eigenständig Identifizierten Merkmalen zu differenzieren und strukturieren. Der Algorithmus ist somit in der Lage einzelne Objekte anhand ihrer Farbe zu sortieren.
Beim überwachten Lernen
werden im Gegenteil zum unüberwachten Lernen, im Vorhinein Beispielmodelle definiert. Für weitere Zuordnungen werden die Basismodelle im Anschluss spezifiziert, dies Bedeutet das dass System auf Basis der Ein- und Ausgabepaare lernt. Im Laufe der Lernphase stellt der Entwickler die passenden Werte für einzelne Eingaben zur Verfügung und trägt so zum Lernprozess bei, so hat das System die Möglichkeit, Zusammenhänge in Daten zu identifizieren.
Welche Vorteile ergeben sich aus der Nutzung dieser Technologie?
Das maschinelle Lernen soll dazu beitragen, dass Menschen effizienter arbeiten und mehr Raum bekommen, um kreativ zu sein. Die Technologie unterstützt bei der Organisation und Verwaltung großer Datenbestände und übernimmt stupide und repetitive Aufgaben. Beispielsweise kann Machine Learning Menschen bei der Aufbereitung von Daten unterstützen, indem es hilft, Papierdokumente aufzubereiten, zu speichern und abzulegen. Sie besitzen auch das Potential, besonders komplizierte Aufgaben zu übernehmen. Hierzu gehört die Identifikation von Fehlern oder die Prognose von zukünftigen Schäden.
Das maschinelle Lernen soll dazu beitragen, dass Menschen effizienter arbeiten und mehr Raum bekommen, um kreativ zu sein. Die Technologie unterstützt bei der Organisation und Verwaltung großer Datenbestände und übernimmt stupide und repetitive Aufgaben. Beispielsweise kann Machine Learning Menschen bei der Aufbereitung von Daten unterstützen, indem es hilft, Papierdokumente aufzubereiten, zu speichern und abzulegen. Sie besitzen auch das Potential, besonders komplizierte Aufgaben zu übernehmen. Hierzu gehört die Identifikation von Fehlern oder die Prognose von zukünftigen Schäden.