Definition

Was ist Machine Learning?

| Autor / Redakteur: Stefan Luber / 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

Was KI-Chips bereits leisten können

Chips mit Artificial Intelligence an Bord

Was KI-Chips bereits leisten können

Viele Bedenken bei Nutzung von Künstlicher Intelligenz (KI) hängen mit der Speicherung und Verarbeitung von Daten in der Cloud zusammen. Bei KI-Chips können viele der Daten gleich auf dem jeweiligen Gerät verbleiben. Doch KI-Chips haben weitere Vorteile. Wir geben einen Überblick über verfügbare Modelle und die Einsatzmöglichkeiten. lesen

„KI kann nicht inkrementell lernen“

DATA Storage & Analytics Technology Conference 2020 – Interview mit Dr. Axel Koester

„KI kann nicht inkrementell lernen“

Die DATA Storage & Analytics Technology Conference 2020, die aufgrund der Coronakrise am 30. April und 12. Mai dieses Jahres online sowie am 17. September in Würzburg und am 24. September in Neuss stattfindet, verspricht spannende „Keynotes“. Storage-Insider hat als Mitveranstalter und Medienpartner die Keynote-Speaker im Vorfeld zu ihren Vorträgen befragt. Hier im Interview: Dr. Axel Koester von IBM, der seine Keynote zum Thema „Storage für KI – KI für Storage: ein Blick in die Zukunft“ hält. lesen

Darauf kommt es bei Weiterbildungen im Bereich Data Science und KI an

Kommentar von Frank Moritz, Alexander Thamm GmbH

Darauf kommt es bei Weiterbildungen im Bereich Data Science und KI an

Die Nutzbarmachung von Daten, etwa mittels Künstlicher Intelligenz (KI), ist eine der Herausforderungen aber vor allem auch Chance der Gegenwart. Für Unternehmen ist es von strategischer Bedeutung, genügend gut ausgebildete Mitarbeiterinnen und Mitarbeiter zu beschäftigen. Nicht alle bringen jedoch die erforderlichen Kenntnisse aus ihrer Ausbildung mit. Deswegen ist die nebenberufliche Weiterbildung ein wichtiger Hebel. lesen

Datenanalysen gegen Viren – warum wir trotz der Krise optimistisch sein sollten

Kommentar von Tom Becker, Alteryx

Datenanalysen gegen Viren – warum wir trotz der Krise optimistisch sein sollten

In der aktuellen Situation rund um die Coronavirus-Krise sind zuverlässige und aktuelle Informationen sehr wichtig. Datenanalysen und weitere clevere IT-Projekte können dabei unterstützen, die richtigen Entscheidungen zu treffen, Leben zu retten oder einfach nur anderen Menschen zu helfen. lesen

Die Sportwelt profitiert von intelligenter Analytik

Big-Data-Analysen im Sport

Die Sportwelt profitiert von intelligenter Analytik

Die drei Analytik-Anbieter SAS, Exasol und Amazon Web Services haben den Sport als Wachstumsmarkt entdeckt. Zudem sind Organisationen wie die Deutsche Bundesliga auf Innovationen bei ihren Zuschauerangeboten angewiesen, um konkurrenzfähig zu bleiben. Mit den Lösungen der drei Anbieter reicht das Angebot von der einfachen Sportgrafik bis hin zu KI-basierten Angaben und Vorhersagen, die in Echtzeit angezeigt werden. lesen

Maschinelles Lernen in der Chemie

Vorhersage von Reaktionsergebnissen

Maschinelles Lernen in der Chemie

Bei der Herstellung chemischer Verbindungen hängt der Erfolg jeder einzelnen Reaktion von vielen Parametern ab. Selbst für erfahrene Chemiker ist es nicht immer möglich vorherzusagen, ob eine Reaktion stattfindet und, wie gut sie funktionieren wird. Um das zu ändern, haben Chemiker und Informatiker der Westfälischen Wilhelms-Universität Münster (WWU) eine Methode entwickelt, die auf Künstlicher Intelligenz basiert. lesen

Externe Datenmonetarisierung bietet ungeahnte Potenziale für Wirtschaft und Gesellschaft

DATA Storage & Analytics Technology Conference 2020 – Keynote Alexander Geibig

Externe Datenmonetarisierung bietet ungeahnte Potenziale für Wirtschaft und Gesellschaft

Die DATA Storage & Analytics Technology Conference 2020, die aufgrund der Coronakrise am 30. April und 12. Mai dieses Jahres online sowie am 17. September in Würzburg und am 24. September in Neuss stattfindet, verspricht spannende „Keynotes“. BigData-Insider hat als Mitveranstalter und Medienpartner die Keynote-Speaker im Vorfeld um eine Preview gebeten. Hier: Alexander Geibig, Gründer & CEO @ Alpha Affinity GmbH. lesen

Qlik und Databricks erweitern Partnerschaft

Beitritt zum Data Ingestion Network

Qlik und Databricks erweitern Partnerschaft

Die Analytics-Spezialisten Qlik und Databricks haben ihre Zusammenarbeit intensiviert. Qlik ist dazu dem Data Ingestion Network beigetreten. lesen

Datenexpertise ist keine Frage des Jobtitels

Kommentar von Silka Miki Müller-Kochs, Tealium

Datenexpertise ist keine Frage des Jobtitels

Nicht alle Superhelden tragen einen Umhang. Und nicht alle Datenexperten tragen den Titel des Chief Data Officer (CDO). Laut Mario Faria, Research Vice President der Unternehmensberatung Gartner, haben 90 Prozent aller großen Unternehmen bis Ende 2019 einen CDO ernannt. Das heißt aber noch lange nicht, dass sich alle anderen Mitarbeiter im Unternehmen zurücklehnen und den Datenschutz als erledigt betrachten können. lesen

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Kontaktieren Sie uns über: support.vogel.de/ (ID: 44588634 / Definitionen)