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

Cloudera sieht großes Machine-Learning-Potenzial in Europa

Marktstudie vorgestellt

Cloudera sieht großes Machine-Learning-Potenzial in Europa

Im Rahmen einer Studie hat sich Cloudera mit den Marktchancen für Machine Learning in europäischen Unternehmen befasst. Sie zeigt, dass maschinelles Lernen in immer mehr Anwendungsbereichen zum Einsatz kommt. lesen

Leitfaden für Führungskräfte zu KI und maschinellem Lernen

Interview mit Prof. Dr. Thomas Hofmann

Leitfaden für Führungskräfte zu KI und maschinellem Lernen

Prof. Dr. Thomas Hofmann ist Experte auf dem Gebiet der Künstlichen Intelligenz mit Stationen in der Wissenschaft (ETH Zürich), multinationalen Unternehmen (ehemaliger Direktor bei Google) und Start-ups (CTO von 1plusX, Mitbegründer Recommind). Im Interview teilt er seine Gedanken darüber, wie ein Unternehmen aufgestellt sein sollte, um die Chancen auf einen ROI für seine KI-Initiativen zu erhöhen. lesen

Networking zwischen Daten-Experten und Anwendern

Data Festival 2019

Networking zwischen Daten-Experten und Anwendern

Von 19. bis 21. März 2019 findet in München das Data Festival statt. Das Business Application Research Center (BARC) und die Alexander Thamm GmbH laden zum Networking rund um Themen wie Data Science, Machine Learning, Visualisierung und Analytics ein. lesen

Bologna im Zeichen von IoT Analytics und Smart Citys

Nachbericht Pentaho Community Meeting 2018

Bologna im Zeichen von IoT Analytics und Smart Citys

Auf dem Pentaho Community Meeting in Bologna, das zum elften Mal stattfand, tauschten sich über 220 User aus 25 Ländern zu IoT, Analytics, Machine Learning und Datenintegration aus, 27 Referenten stellten spannende Entwicklungen und Projekte vor. Organisiert wurde das Community-Meeting von Hitachi Vantara sowie dem deutschen Hitachi-Vantara-Partner IT-Novum. lesen

Die Frage der Künstlichen Intelligenz und der Ethik

Kommentar von Lynn Heidmann, Dataiku

Die Frage der Künstlichen Intelligenz und der Ethik

Es ist die dystopische Kulisse eines jeden Science-Fiction-Romans, welcher sich mit dem Thema der Künstlichen Intelligenz befasst: ein dunkler und stürmischer Polizeistaat, in dem kalte, gefühllose Roboter auf der Suche nach fehlerhaften Menschen sind. Während wir bei Dataiku optimistisch sind, dass wir ein wenig von dieser trostlosen Zukunft entfernt sind, war 2018 ein Jahr voll mit ethischen Fragen über die Auswirkungen von Künstlicher Intelligenz auf unser Leben. lesen

Daran forscht die Weltspitze der Künstlichen Intelligenz

Nachbericht AWS AI Summit

Daran forscht die Weltspitze der Künstlichen Intelligenz

Künstliche Intelligenz (KI) und maschinelles Lernen entwickeln sich rasant weiter. An Universitäten und anderen Instituten werden fortwährend neue Algorithmen entwickelt. Einen Einblick in die vorderste Linie der KI-Forschung eröffnete der auf der AWS-Tagung re:Invent stattfindende AI Summit. lesen

Release für Qlik Sense verfügbar

Funktionsumfang erweitert

Release für Qlik Sense verfügbar

Mit dem jüngsten Release erhält die Analytics-Lösung Qlik Sense eine Reihe neuer Funktionen. Sie sollen einen noch flexibleren Einsatz der Plattform ermöglichen, die eine datenbasierte Optimierung der Geschäftstätigkeiten ermöglicht. lesen

Bundesbürger sehen Chancen im KI-Einsatz

Bitkom-Umfrage veröffentlicht

Bundesbürger sehen Chancen im KI-Einsatz

Eine Mehrheit der Bundesbürger sieht beim Einsatz von Künstlicher Intelligenz (KI) vor allem Chancen und hält die Technik für entscheidend, um die Wettbewerbsfähigkeit zu sichern. Zu diesem Ergebnis kommt eine aktuelle Umfrage des Digitalverbands Bitkom. lesen

Kofax baut RPA-System weiter aus

Intelligent Automation

Kofax baut RPA-System weiter aus

Der Prozessautomatisierungsspezialist Kofax hat seine RPA-Lösung („Robotic Process Automation“) erweitert. Erstmals kommen Künstliche Intelligenz (KI) und Machine Learning zum Einsatz. lesen

copyright

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