Arten des maschinellen Lernens (ML)

Was ist maschinelles Lernen und welche Arten des maschinellen Lernens gibt es?

Als Teil der künstlichen Intelligenz (KI) ist das maschinelle Lernen (ML) eine Unterkategorie, die sich mit der Verarbeitung und dem Lernen aus großen Datenmengen befasst. Es beschreibt die „künstliche“ Generierung von Wissen aus Erfahrung. Dies geschieht, um Vorhersagen zu treffen, die zur Verbesserung der Leistung im Hinblick auf ein bestimmtes Ziel beitragen können.

Diese Ziele können Vorhersagen, Assoziationen, Cluster, Regression und mehr sein. In diesem 7-minütigen Artikel werden wir die verschiedenen Arten des maschinellen Lernens, ihre Einsatzmöglichkeiten und die Nachteile der Algorithmen erläutern.

Was ist maschinelles Lernen (ML)?

In diesem Teil der Informatik werden Algorithmen verwendet, um aus den Daten zu lernen, mit denen sie gefüttert werden, damit sie Entscheidungen treffen können. Von selbstfahrenden Autos bis hin zu Amazons Produktempfehlungen – maschinelles Lernen hilft Unternehmen, komplexe Probleme zu lösen und die Nutzererfahrung mit ihrer Marke zu verbessern. Die Machine-Learning-Technologie ist z.B. auch die Grundlage für Predictive Analytics Software Tools, wie die unsere. Im Bereich der künstlichen Intelligenz kann es jedoch leicht zu einer Verwechslung der Begriffe kommen. IBM erklärt: „Maschinelles Lernen, Deep Learning und neuronale Netzwerke sind allesamt Teilbereiche der künstlichen Intelligenz. Neuronale Netze sind jedoch ein Teilbereich des maschinellen Lernens, und Deep Learning ist ein Teilbereich der neuronalen Netze.“ Heute werden wir uns auf die vier Hauptarten von ML konzentrieren.

Was sind die vier Haupttypen des maschinellen Lernens (ML)?

Überwachtes maschinelles Lernen (Supervised Machine Learning), unüberwachtes maschinelles Lernen (Unsupervised Machine Learning), halbüberwachtes maschinelles Lernen (Semi-Supervised Machine Learning) und verstärkendes Lernen (Reinforcement Learning) sind die vier Haupttypen von ML. Sie werden nach der Art der Daten, mit denen ihre Algorithmen gespeist werden, und nach den verwendeten Trainingsmethoden unterschieden.

1. Überwachtes maschinelles Lernen (supervised ML – SML)

Bei der grundlegendsten Form des maschinellen Lernens, dem überwachten maschinellen Lernen, wird dem System beigebracht, was genau alle Eingaben bedeuten und wie sie den Ausgaben zugeordnet werden. Bei dieser Form des maschinellen Lernens erhält der Algorithmus viele Beispiele mit korrekten Antworten – diese Daten nennen sich auch „labeled data“, also „beschriftete Daten“, sodass der Algorithmus daraus lernen kann. Danach wird das Programm aufgefordert, diese Klassifizierungs- oder Regressionsprobleme mit neuen, unbekannten Daten, die den ihm bekannten Eingabetypen entsprechen, zu lösen.

Klassifizierungsalgorithmen wie Random Forest oder Support Vector arbeiten mit Ergebnissen wie Ja/Nein, Schwarz/Weiß usw. Regressionsalgorithmen wie z.B. die Multivariate lösen Probleme, bei denen Eingabe und Ausgabe in einem linearen Verhältnis zueinanderstehen.

Wie wird das überwachte maschinelle Lernen eingesetzt?

Einige Anwendungen für diese Art des maschinellen Lernens sind die Erkennung von Betrug und Spam, Spracherkennung, Wettervorhersagen, Bildsortierungen, Markttrends und medizinische Diagnosen. SML ist zwar das genaueste ML-System, hat aber den Nachteil, dass es saubere und „beschriftete“ Datensätze (labeled Data) benötigt, um mit ihnen zu arbeiten, was seine Einsatzmöglichkeiten einschränkt.

2. Unüberwachtes maschinelles Lernen (Unsupervised ML – UML)

Bei UML gibt es keine gelabelten Datensätze, und das System reagiert auf die Daten, ohne dass ihm die richtigen Antworten zur Modellierung vorgegeben werden. Dies ist nützlich, um Muster oder Unterschiede zu finden. Dieser ML-Ansatz wird für Assoziationen oder Clustering verwendet. Bei Clustering-Algorithmen wie DBSCAN oder Principal werden Objekte nach Ähnlichkeiten gruppiert. Bei Assoziationsalgorithmen wie eclat oder apriori sucht das System nach Abhängigkeiten, die sich auf ein gewünschtes Ergebnis beziehen.

Wie wird unüberwachtes maschinelles Lernen eingesetzt?

Sie finden UML-Algorithmen unter anderem bei Warenkorbanalysen, Recommender-Systemen (wie dem Netflix-Feed), Plagiatserkennungssoftwares, Kundensegmentierungen und bei Betrugserkennungen. Es ist am besten geeignet, um Muster zu finden, die Menschen übersehen könnten, doch es können häufiger Ungenauigkeiten auftreten, da es nicht trainiert ist.

3. Semi-Supervised maschinelles Lernen

Wenn einige Datensätze gelabelt sind und andere nicht, ist das Semi-Supervised Machine Learning erforderlich. Es ermöglicht die Nutzung aller verfügbaren Daten und bietet ein zuverlässigeres Ergebnis als unüberwachtes maschinelles Lernen allein. Die Maschine lernt einige Dinge selbst und ergänzt dieses Wissen mit trainierten Daten aus den markierten Datensätzen. Das Co-Training ist ein verbesserter Ansatz zum Selbsttraining, bei dem zwei Datenansichten verwendet werden, um zwei eindeutige Klassifikatoren zu trainieren.

Wie wird Semi-Supervised Machine Learning eingesetzt?

SSML wird von Google verwendet, um den Inhalt von Websites zu verstehen, oder um Textdokumente zu klassifizieren, Videoinhalte zu analysieren. Einige sind der Meinung, dass SSML das Beste aus beiden Welten zwischen überwachtem und unüberwachtem maschinellem Lernen darstellt. Doch auch dieses Modell ist anfälliger für Fehler oder Overfitting, als ein Modell, das nur mit gelabelten Daten trainiert wurde.

4. Verstärkendes Lernen (Reinforcement Learning)

Eine Methode mit Zuckerbrot und Peitsche; hier lernt der ML-Algorithmus von selbst und wird korrigiert oder „gelobt“, also bestärkt, wenn er zu einer richtigen oder falschen Schlussfolgerung kommt. Positives Verstärkungslernen soll die Häufigkeit von richtigen Schlussfolgerungen des Programms erhöhen, während negative Verstärkung das Gegenteil bewirkt.

Wie wird Reinforcement Machine Learning eingesetzt?

Reinforcement Learning finden Sie bei Videospielen, in der Robotik, im Textmining und in Ressourcenverwaltungssystemen Ihres PCs. Ein solches System, das für das Spiel „Go“ trainiert wurde, brach Weltrekorde. Laut Deep Mind ist „AlphaGo das erste Computerprogramm, das einen Go-Weltmeister besiegt hat, und ist wohl der stärkste künstliche Go-Spieler der Geschichte.“ Der Vorteil von RL ist, dass es sehr komplexe Probleme lösen kann. Der größte Nachteil ist die riesige Menge an Daten, die es zum Funktionieren braucht.

BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE