Machine learning

Was ist machine learning?

Als Teilbereich der künstlichen Intelligenz handelt es sich im Wesentlichen um einen Algorithmus, der sich selbst ständig verbessert und seine Aufgabe immer besser bewältigt. Maschinelles Lernen funktioniert nach dem einfachen Ansatz “Muster finden, Muster anwenden”.

Die künstliche Intelligenz umfasst die Teilbereiche des maschinellen Lernens, des Deep Learning und der neuronalen Netze.

Wir alle nutzen bereits maschinelles Lernen in unserem täglichen Leben, ohne es zu wissen, zum Beispiel bei Google Maps, Alexa, Amazon, YouTube oder Netflix.

Schlüsselkomponenten des maschinellen Lernens

Jeder Algorithmus für maschinelles Lernen besteht aus den folgenden 4 Schlüsselkomponenten:

• Trainingsdaten: Bezieht sich auf die Text-, Bild-, Video- oder Zeitreiheninformationen, aus denen das maschinelle Lernsystem lernen muss. Trainingsdaten werden oft gekennzeichnet, um dem Maschinellen Lernsystem zu zeigen, was die “richtige Antwort” ist.

• Repräsentation: Sie bezieht sich auf die kodierten Repräsentationen von Objekten in den Trainingsdaten, z.B. ein Gesicht, das durch Merkmale wie “Augen” dargestellt wird. Einige Modelle lassen sich leichter kodieren als andere, und das ist ausschlaggebend für die Auswahl des Modells. Neuronale Netze bilden beispielsweise eine Art der Darstellung, während Support-Vector-Maschinen eine andere darstellen. Die meisten modernen Ansätze verwenden neuronale Netze.

• Bewertung: Hier geht es darum, wie wir ein Modell beurteilen oder einem anderen vorziehen. Man spricht oft von einer Nutzenfunktion, Verlustfunktion oder Bewertungsfunktion.

• Optimierung: Dies bezieht sich darauf, wie wir den Raum der repräsentierten Modelle nutzen oder die Klassifizierung in den Trainingsdaten verbessern, um bessere Ergebnisse zu erhalten. Optimierung bedeutet, dass die Modellparameter aktualisiert werden. Sie hilft dem Modell, seine Genauigkeit schneller zu verbessern.