Was ist Machine Learning?

TechTarget definiert maschinelles Lernen als "... eine Art künstliche Intelligenz (KI), die Computern die Fähigkeit gibt, zu lernen, ohne explizit programmiert zu werden. Es konzentriert sich auf die Entwicklung von Computerprogrammen, die sich selbst beibringen können, zu wachsen und sich zu verändern, wenn sie neuen Daten erhalten. Der Prozess des maschinellen Lernens ähnelt dem des Data Mining. Beide Systeme durchsuchen Daten, um Mustern zu erkennen. Anstatt jedoch Daten für das menschliche Verständnis zu extrahieren – wie es bei Data Mining-Anwendungen der Fall ist – verwendet maschinelles Lernen diese Daten, um das eigene Verständnis des Programms zu verbessern. Machine Learning-Programme erkennen Muster in Daten und passen Programmaktionen entsprechend an."

Bei Teradata gilt maschinelles Lernen als besonders leistungsfähig im Big Data-Kontext, da Maschinen Hypothesen mit großen Datenmengen testen und Geschäftsregeln verfeinern können, wenn sich die Bedingungen ändern. Zudem sind sie in der Lage, Anomalien und Ausreißer schnell und genau zu identifizieren.

Ein auf maschinellem Lernen basierendes Softwaresystem wird mit großen Datenmengen trainiert und lernt erfahrungsbasiert zu handeln, wodurch maschinelles Lernen bei der Problemlösung sehr effizient ist.

Wofür wird maschinelles Lernen eingesetzt?

Bilderkennung: Eine der wichtigsten Anwendungen für maschinelles Lernen, die Bilderkennung, bezeichnet die Identifikation von Merkmalen oder Objekten in einem digitalen Bild. Dieselbe Technik kann für eine Reihe zusätzlicher Szenarien verwendet werden, darunter Mustererkennung, Gesichtserkennung und optische Zeichenerkennung. Die Verwendung von maschinellem Lernen bei der Bilderkennung umkfasst das Abrufen von Schlüsselfunktionen aus einem Bild und das Übertragen dieser Schlüsselfunktionen in ein zuverlässiges maschinelles Lernmodell.

Datenabruf: Der Prozess des Abrufens von Wissen oder strukturierten Daten aus unstrukturierten Daten, bekannt als Datenabruf, ist eine weitere wichtige Verwendung von maschinellem Lernen. Aufgrund der riesigen Datenmengen, die von den vielen verwendeten Geräten erzeugt werden, ist maschinelles Lernen entscheidend, um Erkenntnisse aus unstrukturierten Daten zu extrahieren.

Sentiment-Analyse: Sentiment Analysis, zu Deutsch Stimmungsanalyse, manchmal auch als Option Mining oder Sentiment Classification bezeichnet, bestimmt die Einstellungen von Individuen basierend auf emotionalen Hinweisen in einem Schreiben. Die Stimmungsanalyse will feststellen, was Menschen denken: ob gut, schlecht oder gleichgültig. Bewertungswebsites und Entscheidungs-Apps profitieren etwa nutzen die Stimmungsanalyse. Maschinelles Lernen besteht aus überwachten und unüberwachten Lernalgorithmen, die beide für die Stimmungsanalyse verwendet werden.

Betrugserkennung: Die Betrugserkennung, insbesondere die Online-Betrugserkennung, ist eine fortschrittlichere Anwendung des maschinellen Lernens, die für die Cybersicherheit der Benutzer sorgen soll. Unternehmen können damit Verluste reduzieren und den Gewinn maximieren. Der Einsatz von maschinellem Lernen zur Betrugserkennung ist herkömmlichen Betrugserkennungsmethoden weit überlegen.

Einkaufsempfehlungen für Kunden: Ihre bevorzugten Shopping-Websites können Ihnen aufgrund des maschinellen Lernens überzeugende Angebote machen - ob Produkte, Dienstleistungen oder Sonderangebote. Methoden des maschinellen Lernens wie überwachte, halbüberwachte oder unbeaufsichtigte Verstärkung sind integraler Bestandteil empfehlungsbasierter Systeme.

Gibt es verschiedene Arten von maschinellem Lernen?

Es gibt einige Variationen von Machine Learning-Algorithmen, sie können nach ihrem Zweck in Kategorien unterteilt werden. Die Hauptkategorien sind:

Betreutes Lernen: Das Modell wird an einem beschrifteten Datensatz mit Eingabe- und Ausgabeparametern trainiert. Sowohl Trainings- als auch Validierungsdatensätze sind gekennzeichnet.

Semi-überwachtes Lernen: Dieses nutzt unbeschriftete Daten für das Training – in der Regel eine kleine Menge beschrifteter Daten mit einer großen Menge unbeschrifteter Daten.

Unüberwachtes Lernen: Unüberwachtes Lernen, auch bekannt als Selbstorganisation, wird verwendet, um bisher unbekannte Muster in einem Datensatz ohne bereits vorhandene Labels zu finden. Es ermöglicht zudem die Modellierung von Wahrscheinlichkeitsdichten bestimmter Eingaben.

Reinforcement Learning: Befasst sich damit, wie Software-Agenten in einer Umgebung Maßnahmen ergreifen sollten, um eine Vorstellung von kumulativer Belohnung zu maximieren. Im Gegensatz zum überwachten Lernen sind keine beschriftete Eingabe-/Ausgabepaare erforderlich, und suboptimale Aktionen erfordern keine explizite Korrektur. Der Fokus liegt auf der Balance zwischen Exploration und Ausgabe.

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Einige grundlegende Unterschiede zwischen maschinellem Lernen und Deep Learning sind:

Funktionsweise

Maschinelles Lernen verwendet automatisierte Algorithmen, die lernen, zukünftige Entscheidungen vorherzusagen und Funktionen anhand der eingegebenen Daten zu modellieren.

Deep Learning interpretiert Datenmerkmale und -beziehungen mithilfe neuronaler Netze, die relevante Informationen durch mehrere Phasen der Datenverarbeitung leiten.

Management

Beim maschinellen Lernen werden Algorithmen von Analysten angewiesen, verschiedene Datensatzvariablen zu untersuchen.

Beim Deep Learning agieren Algorithmen für Datenanalysen typischerweise selbstgesteuert.

Datenpunkte

Maschinelles Lernen verwendet einige tausend Datenpunkte für die Analyse.

Deep Learning nutzt einige Millionen Daten für die Analyse.

Ausgabe

Eine Machine Learning-Ausgabe ist in der Regel numerisch, z. B. eine Punktzahl oder Klassifizierung.

Eine Deep Learning-Ausgabe kann zwischen einer Punktzahl, einem Element, einem Text, einem Sound oder einem anderen Merkmal variieren.

Was ist der Unterschied zwischen maschinellem Lernen und künstlicher Intelligenz?

Definition

Maschinelles Lernen (ML) ist der Erwerb von Wissen oder Fähigkeiten.

Künstliche Intelligenz (KI) ist die Fähigkeit, Wissen zu erwerben und anzuwenden.

Zweck

KI konzentriert sich auf Erfolg, nicht auf Genauigkeit.

ML konzentriert sich auf Genauigkeit, nicht auf Erfolg.

Funktionsweise

KI funktioniert als "intelligentes" Computerprogramm.

ML ist eine einfache Maschine, die Daten aufnimmt und daraus lernt.

Ziel

KI arbeitet daran, komplexe Probleme zu lösen, indem sie natürliche Intelligenz simuliert.

ML ist aufgabenorientiert und arbeitet daran, die Maschinenleistung der festgelegten Aufgabe zu maximieren.

Aufgabe

KI trifft Entscheidungen auf der Grundlage von Daten.

ML ist ein System, das aus den aufgenommenen Daten lernt.

Vorgehen

KI entwickelt ein System, das menschliche Reaktionen und Verhaltensweisen unter bestimmten Umständen nachahmt.

ML produziert selbstlernende Algorithmen.

Endergebnis

KI produziert Intelligenz (Business, Consumer, Markt, etc.).

ML produziert Wissen, das weiter untersucht werden kann.