deepl learning definition

Definition des maschinellen Lernens

Seien Sie versichert, maschinelles Lernen ist kein Vokabular direkt aus einem Science-Fiction-Film. Unter maschinellem Lernen versteht man Computerprogramme, die für uns jeden Tag nützlich sind. Dieser Artikel bringt Ihnen die Definition, ihre Funktionsweise, aber auch verschiedene konkrete Beispiele.

Maschinelles Lernen ist automatisches Lernen

Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz und ein auf der Informatik basierendes Wissenschaftsgebiet. Maschinelles Lernen basiert auf verschiedenen Arten von Algorithmen mit jeweils eigener Funktionsweise. Allerdings zielen die meisten dieser Programme darauf ab, „Muster“ zu entdecken. Dabei handelt es sich um wiederkehrende Muster oder Muster in einer Datenbank. Der Computer behält dann die Logik aus einer Zusammenstellung von Statistiken, Wörtern oder Bildern bei.

Machine-Learning-Programme greifen also unabhängig vom Dateiformat auf Datenbanken zurück. Die Software weist Muster oder Muster zu, die oft genug wiederkehren, um zu etablierten Regeln zu werden. Die Kenntnis dieser Modelle wird genutzt, um die Ausführung einer Aufgabe zu verbessern. Mit anderen Worten: Das Programm wird effizienter, wenn es durch die Analyse der Daten besser versteht, was passiert.

Mithilfe von Zahlen oder einfachen Bildsequenzen gewinnen Algorithmen des maschinellen Lernens an Autonomie. Diese Grundlagen ermöglichen es ihnen auch, Vorhersagen zu treffen und zu treffende Entscheidungen zu antizipieren. Diese Automatisierung erfordert viel Programmierung. Tatsächlich stellen Anwendungen nur die Spitze des Eisbergs dar. Die andere Seite umfasst Hunderte von Stunden Codierung.

Beispiele für konkrete Anwendungen

Bevor wir fortfahren, sei darauf hingewiesen, dass künstliche Intelligenz auf maschinellem Lernen basiert. Diese Kategorie bildet eine ihrer Säulen. Große Konzerne, die im Web 2.0 agieren, können ohnehin kaum darauf verzichten. Diese multinationalen Konzerne nutzen es, um ihren Kunden Produkte zu empfehlen, Funktionen anzupassen oder ihre Dienstleistungen zu bezahlen.

  • YouTube bietet Besuchern mithilfe von maschinellem Lernen Videos an. Inhalte werden anhand von Details wie dem geografischen Standort, der Sprache des verwendeten Programms oder dem Abonnentenprofil angezeigt. Netflix und Spotify verwenden dasselbe System, jedoch mit von ihnen selbst entwickelten Algorithmen.
  • Google und die meisten Suchmaschinen nutzen maschinelles Lernen. Die einzugebenden Ausdruckssätze, aber auch die Ergebnisse basieren auf einer Form der autonomen Deduktion.
  • Die sozialen Netzwerke Facebook und Twitter setzen stark auf maschinelles Lernen. Der Newsfeed passt sich den Vorlieben des Abonnenten an, berücksichtigt aber auch sein Profil.
  • Sprachassistenten wie Siri und Alexa sind Beispiele für den Nutzen künstlicher Intelligenz im Alltag. Diese verbundenen Sprecher lernen und verstehen durch Interaktionen die Wünsche des Benutzers besser. Sie verfügen über eine skalierbare Technologie zur Verarbeitung natürlicher Sprache (NLP).

Maschinelles Lernen wird hauptsächlich zur Vorhersage eingesetzt

Über das Internet operierende Plattformen sind die Pioniere des maschinellen Lernens. Diese Webgiganten untersuchen und analysieren große Mengen personenbezogener Daten, um Logiken aufzustellen. Jeder Benutzer hat somit seine eigenen „Muster“. Seine Gewohnheiten bestimmen, welche Art von Filmen oder Inhalten ihm angeboten werden.

Auf der Suche nach den geringsten verwertbaren Informationen widmen große Unternehmen den angeklickten Links, vorgenommenen Veröffentlichungen oder hinterlassenen Kommentaren große Aufmerksamkeit. Der Algorithmus für maschinelles Lernen ernährt sich von Daten, um diese in personalisierte Schlussfolgerungen umwandeln zu können. Sie müssen sich lediglich ein Tanzvideo ansehen, um Hunderte von Vorschlägen für Inhalte mit Schwerpunkt auf Choreografie zu erhalten.

Unabhängig davon sind digitale Unterhaltungsanbieter nicht die einzigen, die maschinelles Lernen nutzen. Aus gutem Grund sind Roboterstaubsauger mit Programmen für maschinelles Lernen ausgestattet. Sie erkennen autonom, um Bereiche zu meiden, in denen ihre Räder stecken bleiben könnten. Das Gleiche gilt für selbstfahrende Autos, GPS und Spracheingabeanwendungen. Allen diesen Bereichen ist gemeinsam, dass sie für ihr maschinelles Lernen eine Programmiersprache Python verwenden.

Ein wissenschaftlicher Ansatz in 4 Schritten

Programme für maschinelles Lernen durchlaufen vier Hauptphasen.

  • Zunächst definiert der Datenwissenschaftler die Trainingsdaten. Dies sind die Informationen, die der Algorithmus verwendet, um Abzüge festzulegen. Mithilfe von Tags kann die Software schnell wiederkehrende Merkmale finden, an die sie sich erinnern kann. In allen Fällen sollte der Manipulator die Daten vorbereiten, organisieren und bereinigen, um verzerrte Ergebnisse zu vermeiden.
  • Im zweiten Schritt geht es darum, den Algorithmus selbst zu entwickeln. Manchmal gibt es Kataloge, in denen der Datenwissenschaftler das Tool finden kann, das er benötigt. Die Art des Programms hängt von der Art und Größe der zu bearbeitenden Trainingsdaten ab. Auch die Anträge werden bei der Entscheidung berücksichtigt.
  • Auf der dritten Ebene bereitet der Mensch den Algorithmus auf seine Aufgabe vor. Es handelt sich um eine Reihe von Ausführungen mit dem Ziel, Ergebnisse zu erzielen, die mit dem gewünschten Modell vergleichbar sind. Technische Parameter wie Gewicht oder Vorspannung sorgen für eine hohe Präzision. Es werden verschiedene Arten von Variablen ausprobiert, bis die erwarteten Abzüge erzielt werden.
  • In der vierten Phase tritt die Software in eine Phase der Perfektionierung dessen ein, was sie bereits kann. Es ist möglich, weitere zu lösende Probleme hinzuzufügen. Durch die neuen Karten eines Raumes erkennt der Saugroboter schnell, dass Möbel bewegt wurden.
A lire également  Olap-Definition

Mehrere dedizierte Algorithmen für maschinelles Lernen

Die Algorithmen, die gekennzeichnete Daten analysieren können, sind am zahlreichsten. Allerdings entstehen regelmäßig neue Programme. Tatsächlich reagiert jede Software für maschinelles Lernen auf eine bestimmte Anwendung.

  • Für Leistungsvorhersagen werden üblicherweise sogenannte lineare Regressionsmodelle verwendet. Sie ermöglichen es beispielsweise, den Umsatz zu ermitteln, den ein Verkäufer aufgrund seiner Qualifikation erwirtschaftet.
  • Bei einem logistischen Regressionsalgorithmus kommen binäre Variablen ins Spiel. Mehrere Parameter konvergieren zu einem Ergebnispaar. Eine Variante namens Support Vector Machine kommt dann zum Einsatz, wenn die Klassifizierung der verschiedenen Kriterien einfach zu komplex oder unmöglich ist.
  • Der logische Pfad, der als Entscheidungsbaum bezeichnet wird, ist jedoch nach wie vor der beliebteste von allen. Dieser Algorithmus erstellt verschiedene Empfehlungen basierend auf Regeln für klassifizierte Daten. Beispiel: Die Anwendung sagt den Spielstand basierend auf dem Alter der Spieler oder der Siegesstatistik der beiden Mannschaften voraus.

Bei unbeschrifteten Daten gibt es auch einige allgemeine Trends.

  • „Clustering“ verwaltet Gruppen mit ähnlichen Eigenschaften. Voraussetzung für die Anmeldung ist die Mitgliedschaft. Zu den bekanntesten zählen Tools wie K-means, TwoStep oder Kohonen.
  • Assoziationsalgorithmen ermitteln Muster und Zusammenhänge auf Basis der Wenn/Dann-Bedingung. Diese Programme werden häufig im Data Mining eingesetzt, wo große Datenmengen analysiert werden müssen.
  • Neuronale Netze sind komplexer als alle anderen und vielschichtig. Die Daten werden wie eine Zwiebel geschält, um ihre tiefere Logik zu verstehen. Dabei handelt es sich um spezielle Tools für Deep Learning.

Drei verschiedene Zweige für diese Informatikdisziplin

Mit maschinellem Lernen: Lernen kann überwacht werden oder nicht. Im ersten Fall werden die Daten beschriftet, damit der Algorithmus den einzuhaltenden Pfad einfacher verfolgen kann. Die Software versucht, ein vorab eingegebenes Modell zu bestätigen. Informationen können klassifiziert werden. Das Programm vergleicht auch nur. Andererseits ist es sehr aufwändig, die Trainingsdaten zu kennzeichnen. Diese können manchmal voreingenommen sein und zu unzuverlässigen Ergebnissen führen.

Beim unbeaufsichtigten Lernen müssen die Rohdaten zerlegt werden. Das Programm untersucht sie auf der Suche nach einer oder mehreren Logiken, an die man sich erinnern kann. Die Algorithmen identifizieren die relevanten Merkmale und gehen dann zur Kennzeichnung über. Sie kümmern sich auch um die Triage und Klassifizierung in Echtzeit. Dieser gesamte Prozess erfolgt ohne jegliches menschliches Eingreifen. Dadurch wird das Fehlerrisiko weiter reduziert. Aufgrund seiner Komplexität ist es gegenüber Cyberangriffen unverwundbar.

Halbüberwachtes Lernen gilt als Kompromiss zwischen den beiden Methoden. Teilweise gekennzeichnete Daten dienen als Leitfaden für die Klassifizierung und Extraktion verschiedener Merkmale. Dies ermöglicht es, die spezifischen Schwierigkeiten des maschinellen Lernens zu umgehen, die auf mathematischer Genauigkeit beruhen. Noch besser ist Reinforcement Learning, da der Algorithmus jeden erkannten Fehler notiert, um das genaue Ergebnis zu erfahren. Es ist die tödliche Waffe, mit der der Computer in jedem Spiel den Menschen besiegt.

neurales Netzwerk

Deep Learning und neuronale Funktionen

Obwohl es noch wenig bekannt ist, handelt es sich bei Deep Learning um maschinelles Lernen, das in den 1980er Jahren entstand und 1986 von Geoffrey Hinton gegründet wurde. Seitdem hat dieser unabhängige Zweig an Kraft und Leistung gewonnen. Dies ist der Ansatz, der es uns ermöglicht, die subtilsten Logiken zu verstehen. Experten nennen es auch Deep Learning durch neuronale Netze. Die Daten werden in Kaskaden wie im menschlichen Gehirn analysiert.

Andere Formen des maschinellen Lernens werden häufig in verschiedenen Anwendungen eingesetzt. Das reicht von Kinderspielzeug bis hin zu Industrierobotik. Andererseits ist neuronales Lernen immer noch ein Privileg der Datenwissenschaft. Das ist der Reiz von Prognosesoftware. Programme sind in der Lage, komplexe Ereignisse vorherzusehen. So vermeiden Bordcomputer in selbstfahrenden Autos nicht nur Kollisionen mit anderen Verkehrsteilnehmern. Es gelingt ihnen, die Fahrspuren zu umgehen, sodass sich möglicherweise ein Stau bildet.

Beim Deep Learning verarbeiten Algorithmen Daten, um daraus Schlussfolgerungen in Form von Statistiken zu ziehen. Wenn sich die Informationen ändern, ist die Maschine in der Lage, ohne menschliches Eingreifen eine Entscheidung zu treffen. Davon profitieren bereits Hausautomation, Kochen, Telekommunikation und andere Anwendungen. Andererseits scheint das System noch nicht vollständig bereit zu sein, da es immer noch einen Bediener im Hintergrund benötigt. Busfahrer werden mit autonomen Bussen kaum weniger Arbeit haben.