Übersetzen lässt sich "Machine Learning" einfach mit "Maschinelles Lernen". Daraus ergibt sich bereits die Bedeutung von Machine Learning, nämlich die Fähigkeit von Maschinen, selbstständig zu lernen. Und zwar im Sinne einer künstlichen Generierung von Wissen aus Erfahrung. Das Computersystem lernt nicht einfach nur Beispiele auswendig, sondern erkennt Muster. Durch das Anwenden bestimmter Verfahren kann Wissen nicht nur selbstständig aufgenommen, sondern auch erweitert werden. In diesem Blog wollen wir uns den verschiedenen Methoden und Lernverfahren widmen, die dafür sorgen, dass wir Produktempfehlungen auf Amazon bekommen oder die Maschine im Produktionsbetrieb meldet, dass sie demnächst einer Wartung bedarf.
Hinter jedem künstlichen System steht eine spezielle Lernmethode, bestimmte Regeln oder Algorithmen. Wir geben im Folgenden einen Einblick in die zahlreichen Ansätze, mit denen Maschinen lernen können:
1. Association Rule Learning
Association Rule Learning ist eine Methode, um relevante Korrelationen zwischen Variablen in großen Datenbanken aufzudecken.
2. Artificial Neural Networks
Ein Artificial Neural Network-Lernalgorithmus (ANN) oder neuronales Netz (NN) ist ein Lernalgorithmus, der in seiner Struktur und seinen funktionalen Aspekten
von natürlichen neuronalen Netzen inspiriert ist. Neuronale Netze bestehen aus miteinander verbundenen künstlichen Neuronen, die Informationen mithilfe
eines konnektionistischen Ansatzes verarbeiten.
3. Deep Learning
Deep Learning setzt sich aus verschiedenen verborgenen Schichten in einem neuronalen Netz zusammen. Bei diesem Ansatz wird versucht, die Art zu
modellieren, wie das menschliche Gehirn Licht sieht und Geräusche hört. Erfolgreiche Deep Learning-Anwendungen sind beispielsweise Computer Vision und
Spracherkennung.
4. Inductive Logic Programming
Inductive Logic Programming (Induktive logische Programmierung, ILP) ist eine Herangehensweise an das Regellernen, bei welcher logische Programmierung
als einheitliches Merkmal von Eingabebeispielen, Hintergrundwissen und Hypothesen genutzt wird. Ein ILP-System leitet aus codierten Hintergrundinformationen und einer Reihe beispielhafter Fakten im Format einer logischen Datenbank ein hypothetisches logisches Programm ab, das nur positive und keine negativen Beispiele enthält.
5. Support Vector Machines
Support Vector Machines (SVMs) umfassen eine Reihe verwandter überwachter Lernmethoden zum Zweck der Klassifizierung und Regression. Anhand einiger Lernbeispiele, die einer von zwei Kategorien zugewiesen sind, erstellt ein SMV-Algorithmus ein Modell, das vorhersagt, welcher Kategorie ein neues Beispiel zugeordnet wird.
6. Clustering
Cluster-Analyse ist die Zuweisung einer Reihe von Beobachtungen zu Teilmengen (Cluster), sodass Beobachtungen innerhalb desselben Clusters basierend auf zuvor definierten Kriterien ähnlich sind, während Beobachtungen aus unterschiedlichen Clustern nicht ähnlich sind.
7. Bayesian Networks
Ein Bayesian Network, auch bayessches Netz oder gerichteter azyklischer Graph, bezeichnet ein probabilistisches grafisches Modell, das eine Reihe zufälliger
Variablen und ihre bedingten Abhängigkeiten über einen gerichteten azyklischen Graph (DAG) darstellt. Ein bayessches Netz könnte beispielsweise die wahrscheinlichen Beziehungen zwischen Krankheiten und Symptomen darstellen.
8. Reinforcement Learning
Reinforcement Learning oder bestärkendes Lernen befasst sich damit, wie ein Agent in einer Umgebung handeln muss, um erhaltene Belohnungen zu maximieren. Reinforcement Learning-Algorithmen versuchen, eine Strategie zu finden, die Zustände den Handlungen zuweist, die der Agent in diesen Zuständen vornehmen muss.
9. Representation Learning
Verschiedene, meist unüberwachte, Lernalgorithmen haben das Ziel, bessere Merkmale aus den während der Lernphase bereitgestellten Eingaben zu erkennen.
Klassische Beispiele sind Hauptkomponentenanalyse und Cluster-Analyse. Representation Learning-Algorithmen versuchen häufig, die Informationen der Eingaben zu bewahren, sie aber so umzuformen, dass sie nützlich sind.
10. Similarity und Metric Learning
Bei dieser Problemstellung werden dem lernenden System ähnliche Beispielpaare und weniger ähnliche Objekte bereitgestellt. Das System muss eine Ähnlichkeitsfunktion (oder Abstandsfunktion) erlernen, die vorhersagen kann, ob Objekte ähnlich oder unähnlich sind.
Wo Machine Learning derzeit zum Einsatz kommt, lesen Sie hier!
Welcher Algorithmus für Machine Learning ist nun der richtige? Bedauerlicherweise lässt sich diese Frage – wie so viele – nur mit einem "Kommt ganz darauf an" beantworten.
Und zwar darauf, welchen Zweck Sie mit den gewonnen Daten verfolgen, welche Quantität, Qualität und Beschaffenheit die Daten haben und einiges mehr. Gerne können Sie Kontakt zu uns aufnehmen, um das "Kommt ganz darauf an" zu konkretisieren. In unserem Whitepaper "Standortbestimmung – Intelligente Daten" gehen wir auf die Ziele ein, die mittels Daten erreicht werden können. Laden Sie es sich jetzt herunter!
