Machine-Learning
Letzter Autor: induux Redaktion
Machine Learning, auf deutsch Maschinelles Lernen, ist ein wichtiger Teilbereich der künstlichen Intelligenz. Durch das automatische Erkennen von Mustern und Gesetzmäßigkeiten sind IT-Systeme in der Lage, eigenständig Lösungen für Probleme zu entwickeln. Der Computer generiert sozusagen künstliches Wissen aus Erfahrungen und setzt es dann zur Problemlösung ebenso wie zur Analyse von bis dahin unbekannten Daten (Lerntransfer) ein.
Verschiedene Algorithmische Ansätze
Beim Machine Learning spielen Algorithmen ein zentrale Rolle. Durch Sie lassen sich Muster erkennen und auf dieser Basis Lösungen entwickeln.
Es gibt verschiedene Ansätze für Algorithmen. Ein klassischer Algorithmus arbeitet mit einer vorher festgelegten und sich nicht verändernden Logik. Die Maschine verarbeitet die empfangenen Daten nach dieser Logik. Sobald Veränderungen auftreten ist die Maschine nicht mehr in der Lage die Daten zu verarbeiten.
Im Gegensatz dazu kann sich die Logik beim Maschinellen Lernen mit der Zeit verändern bzw. anpassen. Die Maschine lernt aus der Erfahrung selbstständig und generiert dabei künstliches Wissen. Der Algorithmus entwickelt und verbessert sich so stetig. Daraus lässt sich schließen, dass Mustererkennung eine wichtige Rolle beim Machine Learning spielt.
Im Bereich des maschinellen Lernens gibt es verschiedene Lernkategorien. Die Hauptansätze sind überwachtes Lernen und unüberwachtes Lernen:
überwachtes Lernen (supervised learning)
Beim überwachten Lernen erlernt der Algorithmus im Vorhinein Beispielmodelle, also eine Art Grundwahrheit. Der Algorithmus kennt eine Eingabe und die dazu passende Ausgabe. Auf dieser Grundlage lernt der Algorithmus auch für unbekannte Eingaben Assoziationen herzustellen und ein Ergebnis (Predicition) zu liefern.
unüberwachtes Lernen (unsupervised learning)
Beim unüberwachten Lernen weiß der Algorithmus zu Beginn nicht, was er erkennen soll und muss eigenständig Muster bilden. Dabei arbeitet der Algorithmus mit dem sogenannten Clustering-Verfahren. Der Algorithmus beschreibt die erhaltenen Daten durch ein statistisches Modell. In diesem werden erkannte Kategorien und Zusammenhänge dargestellt, durch welche Vorhersagen getroffen werden. Daten werden also in Cluster oder auch Klassifikationen eingeteilt, ohne dass sie definiert werden.
teilüberwachtes Lernen (semi-supervised)
Das teilüberwachte Lernen ist eine Mischung aus überwachtem und unüberwachtem Lernen. Dabei sind für einen Teil der Eingaben die dazu passenden Ausgaben bekannt.
bestärkendes Lernen (reinforcement learning)
Das bestärkende Lernen arbeitet mit Belohnungen und Bestrafungen, dadurch lernt der Algorithmus wie er wann zu reagieren hat. Diese Art des Lernens kommt dem menschlichen Lernen sehr nahe.
aktives Lernen (active learning)
Beim aktiven Lernen erfragt der Algorithmus die korrekte Ausgabe. Die möglichen Fragen werden davor vom Algorithmus minimiert, sodass nur Fragen mit einer hohen Ergebnisrelevant zur Auswahl stehen.