Definition

Was ist Machine Learning?

| Autor / Redakteur: Tutanch / Nico Litzel

(Bild: © aga7ta - stock.adobe.com)

Machine Learning, im Deutschen maschinelles Lernen, ist ein Teilgebiet der künstlichen Intelligenz. Durch das Erkennen von Mustern in vorliegenden Datenbeständen sind IT-Systeme in der Lage, eigenständig Lösungen für Probleme zu finden.

Machine Learning ist ein Teilbereich der künstlichen Intelligenz. Mithilfe des maschinellen Lernens werden IT-Systeme in die Lage versetzt, auf Basis vorhandener Datenbestände und Algorithmen Muster und Gesetzmäßigkeiten zu erkennen und Lösungen zu entwickeln. Es wird quasi künstliches Wissen aus Erfahrungen generiert. Die aus den Daten gewonnenen Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden.

Damit die Software eigenständig lernen und Lösungen finden kann, ist ein vorheriges Handeln von Menschen notwendig. Beispielsweise müssen die Systeme zunächst mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Zudem sind Regeln für die Analyse des Datenbestands und das Erkennen der Muster aufzustellen. Sind passende Daten vorhanden und Regeln definiert, können Systeme mit maschinellem Lernen unter anderem folgendes:

  • Relevante Daten finden, extrahieren und zusammenfassen,
  • Vorhersagen auf Basis der analysierten Daten treffen,
  • Wahrscheinlichkeiten für bestimmte Ereignisse berechnen,
  • sich an Entwicklungen eigenständig anpassen und
  • Prozesse auf Basis erkannter Muster optimieren.

Die verschiedenen Arten des Machine Learnings

Algorithmen nehmen beim maschinellen Lernen eine zentrale Rolle ein. Sie sind für das Erkennen von Mustern und das Generieren von Lösungen verantwortlich und lassen sich in verschiedene Lernkategorien einteilen.

  • überwachtes Lernen
  • unüberwachtes Lernen
  • teilüberwachtes Lernen
  • bestärkendes Lernen
  • aktives Lernen

Während beim überwachten Lernen im Vorfeld Beispielmodelle definiert und spezifiziert werden müssen, um die Informationen passend den Modellgruppen der Algorithmen zuzuordnen, werden die Modellgruppen beim unüberwachten Lernen automatisiert aufgrund eigenständig erkannter Muster gebildet.

Teilüberwachtes Lernen stellt eine Mischung aus beiden Methoden dar. Das bestärkende Lernen basiert auf Belohnungen und Bestrafungen. Dem Algorithmus wird durch diese Interaktion mitgeteilt, wie er auf verschiedene Situationen zu reagieren hat. Diese Lernweise ist dem menschlichen Lernen sehr ähnlich.

eBook „Big Data Security und Artificial Intelligence“

BDI eBookKann mit Hilfe von Künstlicher Intelligenz (KI) oder Artificial Intelligence (AI) und Maschinellem Lernen (ML, Machine Learning) der Engpass an „menschlichen“ Security-Analysten reduziert und die Aufdeckung und Abwehr der IT-Sicherheitsvorfälle weitgehend automatisiert werden? 

eBook herunterladen »

Aktives Lernen schließlich bietet dem Algorithmus die Möglichkeit, für bestimmte Eingangsdaten die gewünschten Ergebnisse zu erfragen. Um die Anzahl von Fragen zu minimieren, erfolgt zuvor eine Auswahl relevanter Fragen mit hoher Ergebnisrelevanz durch den Algorithmus selbst.

Abhängig vom jeweiligen System kann die Datenbasis offline oder online vorliegen und wiederholbar oder nur einmalig für das maschinelle Lernen zur Verfügung stehen. Ein weiteres Unterscheidungsmerkmal des Machine Learnings ist das gleichzeitige Vorhandensein der Ein- und Ausgabe-Paare oder deren zeitlich versetzte Entwicklung. Je nach Art spricht man vom Batch-Lernen oder vom sequenziellen Lernen.

Anwendungsbeispiele für das Machine Learning

Machine Learning hat ein sehr großes Spektrum an Anwendungsmöglichkeiten. Im Internetumfeld kommt maschinelles Lernen beispielsweise für folgende Funktionen zum Einsatz:

  • selbstständiges Erkennen von Spam-Mails und Entwicklung geeigneter Spam-Filter
  • Sprach- und Texterkennung für digitale Assistenten
  • Bestimmung der Relevanz von Webseiten für Suchbegriffe
  • Erkennung und Unterscheidung der Internetaktivität von natürlichen Personen und Bots

Weitere Anwendungsbereiche des maschinellen Lernens sind die Bild- und Gesichtserkennung, automatische Empfehlungsdienste oder die automatische Erkennung von Kreditkartenbetrug.

Big Data als Treiber des maschinellen Lernens

Durch die Entwicklung im Bereich der Big-Data-Technik hat auch das maschinelle Lernen einen enormen Schub erhalten. Da beim Machine Learning große Datenmengen vorhanden sein und effizient bearbeitet werden müssen, bilden Big-Data-Systeme die ideale Basis für diese Art des Lernens. Es lässt sich mithilfe von Big Data sowohl strukturiert als auch unstrukturiert vorliegende Daten schnell und mit relativ geringem Hardwareaufwand analysieren und den Lernalgorithmen zuführen.

Für das maschinelle Lernen kommen verteilte Rechnerstrukturen und besonders schnell arbeitende Datenbanksysteme zum Einsatz. Ebenfalls genutzt werden künstliche neuronale Netze, die nach dem Vorbild des menschlichen Gehirns funktionieren.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Aktuelle Beiträge zu diesem Thema

So beeinflussen neue Technologien Analytics

Kommentar von Satish HC, Infosys

So beeinflussen neue Technologien Analytics

Die rasanten Veränderungen in den Bereichen Digitalisierung, Daten und Analytics eröffnen Unternehmen Potenziale für nachhaltige Veränderungen. Organisationen können nun ihre Geschäftsmodelle neu gestalten, ihre Performance verbessern, die Kundenzufriedenheit steigern und Risiken reduzieren. Damit erfüllen sie Marktanforderungen und bleiben wettbewerbsfähig. lesen

Mit Deep Learning Geschäftsdaten optimieren

Uniserv-Initiative abgeschlossen

Mit Deep Learning Geschäftsdaten optimieren

Der Datenmanagementspezialist Uniserv hatte im Rahmen der Data-Pitch-Initiative gemeinsam mit Start-ups nach KI-basierten Möglichkeiten zur Generierung von Mehrwert aus Geschäftsdaten gesucht. Nun liegen die Ergebnisse vor. lesen

KI.RPA erforscht KI-basierte Automation

Robotergestützte Prozessoptimierung

KI.RPA erforscht KI-basierte Automation

Der Einsatz von Robotic Process Automation (RPA) stößt aufgrund des betriebswirtschaftlichen und prozessualen Schwierigkeiten zunehmend an Grenzen. Abhilfe will das Projekt KI.RPA mit einem Lösungsansatz für autonome Prozessoptimierung schaffen. lesen

Medtech-Hersteller entlasten den Arzt

Künstliche Intelligenz auf der Medtec Live

Medtech-Hersteller entlasten den Arzt

Wissenschaftler beschäftigen sich schon seit Jahrzehnten mit Künstlicher Intelligenz. Doch erst heute scheint die Schwelle zur weitläufigen Nutzung überschritten. Aber ist Künstliche Intelligenz in der Medizin tatsächlich der so medienwirksam gepriesene Heilsbringer für die Zukunft? Eine Bestandsaufnahme mit Beispielen aus der Praxis. lesen

ElasticStack 6.6 ist ab sofort verfügbar

Bessere operative Effizienz

ElasticStack 6.6 ist ab sofort verfügbar

Elastic hat die sofortige Verfügbarkeit des ElasticStack in Version 6.6 bekanntgegeben. Die aktuelle Fassung soll die operative Effizienz in verschiedenen Anwendungsfällen verbessern, darunter etwa Logging, Metriken und APM. lesen

Mit Apache Metron Big-Data-Projekte schützen

Open-Source-Security-Lösung Apache Metron

Mit Apache Metron Big-Data-Projekte schützen

Big-Data-Projekte sind nicht nur für Firmen interessant, sondern auch für Cyberkriminelle. Apache Metron ist ein Open-Source-Projekt für ein Security-Analytics-Framework. Die Lösung besteht aus Modulen zum Parsen, Normalisie­ren und Anreichern von Daten mit internen und externen Bedrohungsinformationen und soll Big-Data-Projekte vor unbefugtem Zugriff schützen. lesen

Diese Rolle spielen KI-gestützte RPA-Plattformen

Kommentar von Rob Hughes, Automation Anywhere

Diese Rolle spielen KI-gestützte RPA-Plattformen

Die drei früheren industriellen Revolutionen begannen circa 1760 mit der Mechanisierung. Die zweite Etappe war die Massenproduktion in den 1800er-Jahren, gefolgt von der automatisierten Produktion über Fließbänder, die in den 1970er-Jahren Einzug hielt. Bis zur vierten industriellen Revolution dauerte es nicht annähernd so lange wie zuvor. Seit der Einführung von Cyber-Systemen nimmt diese ihren Lauf – aufbauend auf Teilen der Infrastruktur der dritten industriellen Revolution. lesen

Big Data im Phantasialand

Data Analytics 2019

Big Data im Phantasialand

Am 26. und 27. März findet im Phantasialand in Brühl bei Köln die Datenkonferenz Data Analytics 2019 statt. Die DOAG und Oracle sorgen auch diesmal für ein vielfältiges Programm rund um Analysen im Zusammenspiel mit Big Data, Machine Learning und der Cloud. lesen

Künstliche Intelligenz und 5G im Fokus

Preview Hannover Messe 2019

Künstliche Intelligenz und 5G im Fokus

Anfang April öffnet die Hannover Messe erneut ihre Tore. Dieses Jahr sollen unter dem Motto „Industrial Intelligence“ die Themen Künstliche Intelligenz und 5G im Fokus stehen. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44588634 / Definitionen)