Definition Machine Learning | ML Was ist Machine Learning?

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Maschinelles Lernen versetzt Maschinen und IT-Systeme in die Lage, aus bereitgestellten Daten zu lernen. Die Fähigkeiten zum Lösen von Aufgaben oder Problemstellungen lassen sich verbessern, ohne dass explizite Programmierarbeiten vorzunehmen sind. Das sogenannte Deep Learning verwendet als Teilgebiet des Machine Learnings dem menschlichen Gehirn nachempfundene mathematische Modelle neuronaler Netzwerke.

Das Akronym für Machine Learning ist ML. Der deutsche Ausdruck lautet maschinelles Lernen. Es handelt sich um ein Teilgebiet der Künstlichen Intelligenz (KI), das Maschinen und IT-Systeme in die Lage versetzt, aus vorliegenden Datenbeständen zu lernen. Machine Learning verbessert die Fähigkeiten der IT-Systeme beim Lösen von Aufgabenstellungen oder Problemen, ohne dass explizite Programmierarbeiten vorzunehmen sind. Algorithmen werden durch maschinelles Lernen trainiert, Muster und Zusammenhänge in den Daten zu erkennen und daraus Schlussfolgerungen oder Prognosen abzuleiten. Es wird auf "künstliche, maschinelle Art" Wissen generiert, das sich verallgemeinern und nach dem Lernvorgang für bestimmte Aufgaben verwenden lässt.

Menschen erbringen für das maschinelle Lernen Vorleistungen. Sie geben die relevanten Daten für das Training und die Algorithmen des maschinellen Lernens vor. Je nach Ansatz des Machine Learnings greift der Mensch anschließend unterschiedlich stark oder gar nicht in den Lernvorgang ein. Deep Learning ist ein Teilgebiet des maschinellen Lernens. Es verwendet mathematische Modelle künstlicher neuronaler Netze mit mehreren vernetzten Neuronenschichten, die der Funktionsweise des menschlichen Gehirns nachempfunden sind. Dadurch lassen sich auch komplexe Zusammenhänge in Daten erfassen und daraus Lösungsstrategien ableiten. Typische durch maschinelles Lernen erworbene Fähigkeiten sind das Extrahieren, Klassifizieren und Zusammenfassen von Daten, das Erstellen von Prognosen und Vorhersagen von Werten, das Berechnen von Wahrscheinlichkeiten für bestimmte Ereignisse oder das Identifizieren von Gruppen. Machine Learning kommt heute in vielen Bereichen beispielsweise für die Spracherkennung, Bilderkennung, Sprachassistenten, autonomes Fahren, medizinische Diagnostik, Betrugserkennung, maschinelle Übersetzungen und vieles mehr zum Einsatz.

Die verschiedenen Ansätze des maschinellen Lernens

Die Theorie unterscheidet beim maschinellen Lernen zwischen diesen Ansätzen:

• aktives Lernen (Active Learning)

• überwachtes Lernen (Supervised Learning)

• unüberwachtes Lernen (Unsupervised Learning)

• teilüberwachtes Lernen (Semi-supervised Learning)

• bestärkendes Lernen (Reinforcement Learning)

Beim aktiven Lernen hat der Algorithmus die Möglichkeit, die Ergebnisse für bestimmte Eingangsdaten zu erfragen. Überwachtes Lernen verwendet gekennzeichnete Datensätze und lernt Zusammenhänge auf Basis der vorgegebenen Datenein- und -ausgabepaare. Beim unüberwachten Lernen hingegen nimmt der Algorithmus Zuordnungen nicht gekennzeichneter Datensätze auf Basis eigenständig identifizierter Merkmale vor, ohne dass Ausgabewerte oder Belohnungen definiert wurden. Teilüberwachtes Lernen kombiniert die Methoden des überwachten und unüberwachten Lernens. Für einen Teil der Eingabedaten sind die dazugehörigen Ausgabedaten bekannt. Das Prinzip des bestärkenden Lernens basiert auf Belohnungen und Bestrafungen. Durch positives oder negatives Feedback lernt der Algorithmus, wie ein ideales Verhalten aussehen kann.

Deep Learning als Teilgebiet des Machine Learnings

Deep Learning ist ein Teilgebiet des Machine Learnings. Es kommt in verschiedenen Bereichen wie der Bild-, Text- und Spracherkennung zum Einsatz und erzielt dort gute Ergebnisse. Das Deep Learning verwendet der Funktionsweise des menschlichen Gehirns nachempfundene mathematische Modelle künstlicher neuronaler Netzwerke. Diese neuronalen Netze bestehen aus mehreren Schichten vernetzter Neuronen. Durch das Training der neuronalen Netze mit großen Datenbeständen lernen die Modelle durch Verknüpfungen und Gewichtung von Neuronenverbindungen komplexe Zusammenhänge zu erfassen. In der anschließenden Inferenzphase können die trainierten Deep-Learning-Modelle dieses erworbene komplexe Wissen auf neue Daten anwenden.

Anwendungen des maschinellen Lernens

Anwendungsbeispiele für Machine Learning sind:

• Spracherkennung

• Bilderkennung

• Gesichtserkennung

• Sprachassistenten

• autonomes Fahren

• medizinische Diagnostik

• Betrugserkennung

• maschinelle Übersetzungen

• Chatbots

• Malware- oder Spam-Erkennung

• Empfehlungsdienste

(ID:48257597)