Beim maschinellen Lernen geht es darum, eine große Menge an Beispielen zu sammeln, um die zugrunde liegenden Muster zu ermitteln und diese dann zu nutzen, um Prognosen für neue Beispiele zu erstellen.
Wenn z. B. eine große Auswahl an Personen uns den Namen ihres Lieblingsfilms mitteilt, dann kann der Computer die Gemeinsamkeiten zwischen all diesen Filmen finden. Der Computer wird dann Vorschläge machen und erklären, wie er zu diesen Ergebnissen gekommen ist. Zum Beispiel: „Diejenigen, die romantische Filme im Allgemeinen mögen, mögen keine Horrorfilme. Dafür werden sie Filme lieben, in denen die gleichen Schauspieler mitspielen“.
Mit anderen Worten: Maschinelles Lernen ist eine Form der künstlichen Intelligenz, die auf mathematischen und statistischen Konzepten beruht und es dem Computer ermöglicht, aus Daten zu lernen und nicht durch explizite Programmierung.
Maschinelles Lernen (engl. machine learning) wird auch als maschinelles Lernen oder künstliches Lernen bezeichnet. Techniken des maschinellen Lernens sind wichtig, damit die Prognosen der Maschine so genau wie möglich sind. Denn es gibt viele verschiedene Ansätze, die sich je nach Kategorie und Menge der Daten ändern
Wie funktioniert maschinelles Lernen?
Im Allgemeinen besteht maschinelles Lernen aus zwei Phasen:
- Die erste Phase ist der Systementwurf, der auch als Lern- oder Trainingsphase bezeichnet wird, und die Schätzung eines Modells aus der Datenanalyse. Dazu gehört die Schätzung einer Wahrscheinlichkeitsdichte oder die Lösung einer praktischen Aufgabe wie die Übersetzung einer Rede.
- Die zweite Phase ist eine Produktionsfreigabe. Es ist möglich, dass Systeme auch dann noch weiterlernen, wenn sie bereits in Produktion sind. Nach der Bestimmung des Modells wird der zweite Teil der Daten getestet, der für die Durchführung der gewünschten Aufgabe nützlich ist.
Die visuelle Erkennung ist das häufigste Beispiel für die Anwendung von Machine Learning. Dazu gehören z. B. die Erkennung eines Tieres in einem Foto, die Erkennung von Bankbetrug oder ein autonomes Fahrzeug von Google.
Visuelle Erkennung ist das häufigste Beispiel für die Anwendung von Machine Learning. Beispiele hierfür sind die Erkennung eines Tieres in einem Foto, die Erkennung von Bankbetrug oder ein autonomes Fahrzeug von Google.
Je nachdem, welche Informationen während der Lernphase zur Verfügung stehen, wird das Lernen unterscheidbar qualifiziert. Wenn die Daten mit einem Etikett versehen sind, spricht man von überwachtem Lernen. In dem Fall, dass die Daten nicht gekennzeichnet sind, handelt es sich um unüberwachtes Lernen. Maschinelles Lernen kann bei vielen verschiedenen Datentypen eingesetzt werden: z. B. bei Graphen, Kurven oder Merkmalsvektoren.
Beim überwachten Lernen funktioniert der Algorithmus des maschinellen Lernens, indem die Maschine vom Beginn des Lernens an bereits definierte Eingabe- und Ausgabedaten hat. Der Algorithmus ist in der Lage, diese Beispiele zu studieren, zu verstehen und ein Vorhersagemodell zu erstellen, das dann die neuen Daten verarbeiten kann.
Um diese Vorhersagemodelle zu erstellen, wird beim überwachten Lernen die Klassifizierung verwendet. Klassifizierung bedeutet, dass man die Gesamtheit der gelieferten Daten nach ihren Merkmalen identifizieren und kategorisieren kann. Daher wird die Klassifizierung vor allem im digitalen Bereich, in der Medizin und im Bankwesen verwendet. Ein gängiges Beispiel für Klassifizierung ist die automatische Klassifizierung zwischen E-Mails, um E-Mails von interessanten Quellen von denen zu trennen, die als Spam betrachtet werden.
Als Beispiel wird das überwachte Lernen auch sehr häufig bei Regressionstechniken eingesetzt. Mit dieser Technik können kontinuierliche Variablen vorhergesagt werden :
Durch das überwachte Lernen eines Datenmodells kann die Maschine verschiedene Datenvariationen wie z. B. Temperaturänderungen vorhersagen.
Im Gegensatz zum überwachten Lernen hat das unüberwachte Lernen viele Eingabedaten, aber keine Ausgabedaten: Die Antworten sind nicht festgelegt. Zum unüberwachten Lernen gehört auch die Clustertechnik.
Maschinelles Lernen bei DataScientest
DataScientest misst dem maschinellen Lernen große Bedeutung bei und setzt es als eines der Module ein, die in seinen Kursen geprüft werden.
Insbesondere wird in der Weiterbildung zum Data Analyst und Data Scientist ein 75-stündiges Modul dem Machine Learning gewidmet.
In der Weiterbildung zum Data Engineer und im 80-stündigen Big Data-Modul musst du lernen, Machine Learning-Algorithmen auf einem Cluster von Maschinen mit PySpark zu trainieren. In der Weiterbildung zum Data Manager wird im Modul Data Literacy verlangt, dass der Lernende in der Lage ist, die Methode des Machine Learning für den jeweiligen Beruf auszuwählen.
