Machine learning

Maschinelles Lernen (ML) ist ein Teilbereich der künstlichen Intelligenz (KI), der die Entwicklung von Algorithmen und statistischen Modellen umfasst, die es Computern ermöglichen, bestimmte Aufgaben ohne ausdrückliche Anweisungen auszuführen. Stattdessen lernen diese Systeme aus Daten, indem sie Muster erkennen und Entscheidungen auf der Grundlage der verarbeiteten Informationen treffen.

Das maschinelle Lernen lässt sich grob in drei Typen einteilen:

• Überwachtes Lernen: Der Algorithmus wird auf markierte Daten trainiert, d. h. die Eingabe wird mit der entsprechenden Ausgabe verknüpft. Das System lernt auf der Grundlage der Trainingsdaten, die Eingaben den Ausgaben zuzuordnen. Zu den üblichen Anwendungen gehören Klassifizierungs- und Regressionsaufgaben.

• Unüberwachtes Lernen: Der Algorithmus wird auf unmarkierte Daten angewendet, d. h. er muss Muster und Beziehungen in den Daten finden, ohne dass spezifische Anweisungen vorliegen, wonach zu suchen ist. Zu den üblichen Anwendungen gehören Clustering und Dimensionalitätsreduktion.

• Verstärkungslernen: Der Algorithmus lernt, indem er mit einer Umgebung interagiert. Er erhält Rückmeldungen in Form von Belohnungen oder Bestrafungen und trifft Entscheidungen, um die kumulativen Belohnungen im Laufe der Zeit zu maximieren.
  

Schlüsselkonzepte des maschinellen Lernens

• Trainieren und Testen: Die Daten werden in der Regel in Trainings- und Testsätze aufgeteilt. Der Trainingsdatensatz wird zum Trainieren des Modells verwendet, während der Testdatensatz dazu dient, dessen Leistung zu bewerten.

• Merkmale und Bezeichnungen: Merkmale sind die Eingabevariablen, die zur Erstellung von Vorhersagen verwendet werden, und Bezeichnungen sind die Ausgabevariablen, die das Modell vorhersagen soll.

• Überanpassung und Unteranpassung: Überanpassung liegt vor, wenn ein Modell die Trainingsdaten zu gut erlernt, einschließlich Rauschen und Ausreißern, was zu einer schlechten Leistung bei neuen Daten führt. Underfitting liegt vor, wenn ein Modell zu einfach ist, um die zugrunde liegenden Muster in den Daten zu erfassen.

• Modellbewertung: Zu den gängigen Messgrößen für die Bewertung von Modellen für maschinelles Lernen gehören Genauigkeit, Präzision, Wiedererkennung, F1-Score und mittlerer quadratischer Fehler (MSE).

• Literaturhinweise

  Bishop, C. M. (2006). "Pattern Recognition and Machine Learning." Springer.
  Goodfellow, I., Bengio, Y., & Courville, A. (2016). "Deep Learning." MIT Press.
  Hastie, T., Tibshirani, R., & Friedman, J. (2009). "The Elements of Statistical Learning: Data Mining, Inference, and Prediction." Springer.
  Murphy, K. P. (2012). "Machine Learning: A Probabilistic Perspective." MIT Press.

Deep learning

Deep Learning ist ein Teilbereich des maschinellen Lernens innerhalb der künstlichen Intelligenz (KI), der neuronale Netze mit vielen Schichten (daher „deep“) umfasst, die selbständig lernen und intelligente Entscheidungen treffen können. Diese neuronalen Netze sind so konzipiert, dass sie das menschliche Gehirn nachahmen und es dem System ermöglichen, aus großen Datenmengen zu lernen, Muster zu erkennen und Entscheidungen mit minimalem menschlichen Eingriff zu treffen.

Literaturhinweise

Goodfellow, I., Bengio, Y., & Courville, A. (2016). "Deep Learning." MIT Press.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). "Deep Learning." Nature, 521(7553), 436-444.
Schmidhuber, J. (2015). "Deep learning in neural networks: An overview." Neural Networks, 61, 85-117.
Russell, S., & Norvig, P. (2020). "Artificial Intelligence: A Modern Approach" (4th ed.). Pearson.