Maschinelles Lernen

Aus Eduwiki
Dies ist die bestätigte sowie die neueste Version dieser Seite.
Wechseln zu:Navigation, Suche

Definition

Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz und ein Oberbegriff für die "künstliche" Generierung von Wissen aus Erfahrungen. Künstliche Systeme sind dazu in der Lage aus Beispielen zu lernen, und diese nach Beenden einer Lernphase zu verallgemeinern. Dazu wird mithilfe von Algorithmen ein statistisches Modell aufgebaut. Das künstliche System lernt demnach die Beispiele nicht nur auswendig, sondern erkennt aus ihnen heraus bestimmte Muster und Gesetzmäßigkeiten. Dadurch ist das System dazu in der Lage auch nicht bekannte Daten beurteilen zu können. Dann entsteht ein Lerntransfer. <ref>Sebastian Raschka, Vahid Mirjalili: Machine Learning mit Python und Scikit-Learn und TensorFlow: Das umfassende Praxis-Handbuch für Data Science, Predictive Analytics und Deep Learning. MITP-Verlags GmbH & Co. KG, 13. Dezember 2017.</ref><ref>Andreas C. Müller, Sarah Guido: Einführung in Machine Learning mit Python. O’Reilly-Verlag, Heidelberg 2017.</ref>

Falls das System am Lernen unbekannter Daten scheitert, so findet daraufhin eine Überanpassung statt.


Ziel Maschinellen Lernens ist es somit, dass Maschinen ohne explizite Programmierung eines konkreten Lösungswegs automatisiert sinnvolle Ergebnisse liefern können. Sie sind dadurch in der Lage eigenständig Lösungen für Probleme zu finden.


Durch den Bereich der Big-Data-Technik, hat das maschinelle Lernen einen großen Sprung nach vorne erhalten. Damit maschinelles Lernen stattfinden kann, ist es notwendig, dass die Systeme zunächst mit den für das Lernen relevanten Daten versorgt werden. Daher bilden Big-Data-Systeme eine ideale Basis für diese Art des Lernens. Mithilfe von Big-Data können strukturierte und unstrukturierte Daten schnell und effizient analysiert und in den Lernalgorithmus integriert werden. <ref>https://www.bigdata-insider.de/was-ist-machine-learning-a-592092/ zuletzt abgerufen: 10.09.2021</ref>

Arten maschinellen Lernens

Es existieren verschiedene Arten maschinellen Lernens, bei denen jeweils Algorithmen eine zentrale Umsetzung übernehmen. Diese Arten lassen sich in die zwei Gruppen überwachtes Lernen und unüberwachtes Lernen einteilen.

Überwachtes Lernen

Ein Algorithmus lernt dabei jeweils aus gegebenen Paaren von Ein- und Ausgaben eine Funktion. Ziel beim überwachten Lernen ist es, dass dem System nach dem Durchlaufen mehrerer Rechengänge mit unterschiedlichen Ein- und Ausgaben die Fähigkeit antrainiert wird, Assoziationen herzustellen.

Überwachtes Lernen lässt sich weiterhin in das teilüberwachte Lernen<ref>Ralf Mikut (2008): Data Mining in der Medizin und Medizintechnik. KIT Scientific Publishing.</ref>, bestärkende Lernen, aktive Lernen<ref>Paul Fischer (2013): Algorithmisches Lernen. Springer-Verlag. </ref> und selbstständiges Lernen<ref>Self-training with Noisy Student improves ImageNet classification. In: Arxiv. Abgerufen am 20. Dezember 2019.</ref> unterteilen.

Unüberwachtes Lernen

Beim unüberwachten Lernen erzeugt der zugrundeliegende Algorithmus für eine Menge von Eingaben ein statistisches Modell. Dieses Modell enthält erkannte Kategorien und Zusammenhänge und beschreibt die Eingaben. Dadurch werden Vorhersagen möglich. Unüberwachtes Lernen nutzt dabei unterschiedliche Verfahren, wie beispielsweise das Clustering-Verfahren, die Hauptkomponentenanalyse, das Batch-Lernen oder das Offline- und Online-Lernen.

Einsatz und Anwendung

Der Einsatz maschinellen Lernens findet heutzutage in allen modernen KI-Systemen statt. Zudem ist die Thematik eng verwandt mit dem "Data-Mining". Hierbei liegt der Schwerpunkt allerdings im Finden von neuen Mustern und Gesetzmäßigkeiten.

Beispielhafte Anwendungsbeispiele Maschinellen Lernens sind Sprach- und Texterkennung für digitale Assistenten oder das Unterscheiden und Erkennen der Internetaktivitäten von Bots und natürlichen Personen. Auch für das selbstständige Erkennen von Spam-Mails und für die Entwicklung geeigneter Spam-Filter wird Maschinelles Lernen angewandt.

Weitere Anwendungsbereiche sind die Bild- und Gesichtserkennung oder die automatische Erkennung von Kreditkartenbetrug.