Definition

Was ist Machine Learning?

| Autor / Redakteur: Tutanch / Nico Litzel

(© aga7ta - Fotolia)

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.

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

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
  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

CA ermöglicht die Modern Software Factory

Disruptive Technologien vorgestellt

CA ermöglicht die Modern Software Factory

Im Rahmen des Built to Change Summit hat CA Technologies eine Reihe an Innovationen präsentiert, die Unternehmen bei der Entwicklung hin zu einer Modern Software Factory helfen sollen. lesen

KI verwandelt Rohdaten in tatsächlichen Mehrwert

Kommentar von Dr. Michael Zeller, Software AG

KI verwandelt Rohdaten in tatsächlichen Mehrwert

Seit Jahren setzen Unternehmen auf Datenanalysen für evidenzbasierte Entscheidungen. Machine Learning und Deep Learning, die bekanntesten Verfahren der Künstlichen Intelligenz (KI), machen das bislang verborgene Potenzial von Unternehmensdaten erst richtig nutzbar. Die Algorithmen erzeugen aus Rohdaten Wissen, um intelligent und in Echtzeit zu entscheiden. Schnelle Erfolge erzielen Unternehmen dann, wenn sie bei der Implementierung auf offene Standards und skalierbare Plattformen setzen. lesen

SAP kündigt neue Produkte und Partnerschaften an

Moderne Technologien im Fokus

SAP kündigt neue Produkte und Partnerschaften an

Der Softwarekonzern SAP hat einige Neuheiten und Partnerschaften rund um Produkte für das intelligente Unternehmen vorgestellt. Zudem ist die SAP Cloud Platform nun für alle wichtigen Cloud-Infrastrukturanbieter verfügbar. lesen

Die 25+ smartesten Städte der Welt

IoT-Infrastruktur

Die 25+ smartesten Städte der Welt

Intelligente Stadtprojekte liegen weltweit im Trend, aber viele dieser Smart-City-Initiativen befinden sich noch in einem relativ frühen Stadium. 25 Smart Cities hat der Newsdienst IoTI Informer des IoT Institute zusammengestellt. Wir präsentieren diese in Kurzporträts, dazu die „digitalste“ Stadt Deutschlands. lesen

KI bringt Gesundheitswesen voran

Fraunhofer IGD auf der Cebit

KI bringt Gesundheitswesen voran

Künstliche Intelligenz und Visual Computing bringen ganz neue Möglichkeiten in die Medizin. Der Trend geht weg vom allgemeinen Behandlungsweg und hin zur individuellen Therapie, wie das Fraunhofer IGD auf der Cebit zeigt. lesen

Das kann das Deep Learning Framework Torch

Deep Learning

Das kann das Deep Learning Framework Torch

Torch ist ein wissenschaftliches Deep Learning Framework mit beachtlichem Support an Algorithmen für das maschinelle Lernen. Auf Grund der einfachen Skriptsprache Lua und der C/CUDA-Implementierung ist das Open-Source-Paket sehr anwenderfreundlich und sorgt für beschleunigte Prozesse. lesen

Matlab erhält Toolbox für Entwurf und Testen von Algorithmen

Predictive Maintenance

Matlab erhält Toolbox für Entwurf und Testen von Algorithmen

Die neue Predictive Maintenance Toolbox in Matlab bietet Funktionen und Referenzbeispiele für Entwickler, die Algorithmen entwerfen, um Daten zu strukturieren, Zustandsindikatoren zu erstellen, Maschinenzustände zu überwachen und die wirtschaftliche Restlebensdauer zu schätzen und so Geräteausfälle zu vermeiden. lesen

Willkommen im Zeitalter der virtuellen Assistenten

Kommentar von Markus Feigelbinder, Fineway

Willkommen im Zeitalter der virtuellen Assistenten

Beim Gedanken an Mensch-Maschine-Interaktionen kommen den meisten Menschen vermutlich nicht Attribute wie „natürlich“, „einfach“ oder „zuverlässig“ in den Sinn. Eine Weile sah es so aus, als würde es Chatbots gelingen, die Interaktion zwischen Menschen und Maschinen zu revolutionieren und zu vereinfachen. Der Trend bei den großen Playern unter den Technologieunternehmen geht jedoch schon in eine neue Richtung, zur Sprachsteuerung. lesen

Welche Hardware eignet sich zur KI-Beschleunigung?

Künstliche Intelligenz

Welche Hardware eignet sich zur KI-Beschleunigung?

Moderne Hardwarebeschleuniger haben den praktikablen Einsatz von Künstlicher Intelligenz in IT und Industrie in greifbare Nähe gerückt. Doch welche Technologie eignet sich hierfür besser: GPUs, DSPs, programmierbare FPGAs oder eigene, dedizierte Prozessoren? lesen

copyright

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