Veröffentlicht am

Machine Learning einfach erklärt mit Beispielen

Ein Roboter Arm vor einem Schachspiel

Einfach gesagt ist Machine Learning der Einsatz von Daten, damit ein Algorithmus Vorhersagen treffen kann. Die Methoden im maschinellen Lernen sind grob in drei Hauptkategorien gegliedert: Supervised Learning (Überwachtes Lernen), Unsupervised Learning (Unüberwachtes Lernen) und Reinforcement Learning (Verstärkendes Lernen).

Supervised Learning beschreibt den Einsatz von vorhandenen Daten um ein statistisches Modell abzuleiten, womit Werte oder Kategorien vorhergesagt werden können. Vereinfacht nutzt man vorhandenes Wissen (zum Beispiel, dass größere Menschen generell schwerer sind als kleine) um dann bei neuen Werte (Größe eines Menschen) eine Prognose abzugeben (Gewicht). Als Anwendungsbeispiele kann man die Vorhersage von Umsatz, die Vorhersage von Kündigungen durch Mitarbeiter oder das Erkennen von Verkehrsschildern anführen.

Unsupervised Learning hingegen nutzt die Struktur von Daten an sich, um Gruppen zu bilden, Ausreißer zu erkennen oder häufig zusammen auftretende Ereignisse zu identifizieren. Hierzu werden ähnliche Daten zusammengefasst oder auf sich wiederholende Muster (immer wenn X, dann Y) untersucht. Diese Algorithmen werden eingesetzt um Kundengruppen mit ähnlichem Verhalten zu identifizieren, um die Produktplatzierung auf Websites zu optimieren oder um Betrugsversuche zu erkennen.

Das Reinforcement Learning hingegen nutzt ein System aus Ziel, Aktion und Belohnung, damit der Algorithmus eine optimale Lösung findet. Als einfaches Beispiel gilt die Fortbewegung von Robotern, indem man gewisse Ereignisse (z.B. Kollision) als schlecht, andere hingegen (z.B. geringer Energieverbrauch) als gut bewertet.

Zusammengefasst hat Machine Learning zum Ziel, dass Computersysteme menschliches Verhalten imitieren, ohne dass ihnen die konkreten Regeln beigebracht werden. Die Basis für diese Extraktion von Wissen bilden Daten, von denen die Algorithmen abstrahieren.

Begriffsabgrenzung

Machine Learning ist nur ein Teilgebiet der Künstlichen Intelligenz (KI). Deep Learning hingegen ist nur eine Methodik innerhalb von Machine Learning. Data Mining nutzt viele der Machine Learning Methoden, konzentriert sich aber primär auf das finden neuer Muster innerhalb der vorliegenden Daten. Big Data, also große Datenmengen, sind häufig die Grundlage für eine gute Vorhersagequalität von Machine Learning Methoden, aber kein absolutes Muss.

Beispiele für Machine Learning Anwendungen

Kilian