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

Umstellung auf SAP HANA läuft teilweise schleppend

„ISG Provider Lens“ veröffentlicht

Umstellung auf SAP HANA läuft teilweise schleppend

Die neue „ISG Provider Lens SAP – HANA & Leonardo Ecosystem Partners Germany 2019“ der Information Services Group (ISG) zeigt einen Bedarf für zügigere Abläufe bei der Umstellung auf SAP HANA. lesen

So gelingt der Start in die KI ohne zusätzliche Ausgaben

[Gesponsert]

Maschinelles Lernen auf bestehenden Infrastrukturen

So gelingt der Start in die KI ohne zusätzliche Ausgaben

IT-Manager benötigen keine neue Infrastruktur, um das volle Potential der KI auszuschöpfen. Sie können ohne zusätzliche Ausgaben sinnvolle Szenarien aufbauen und testen, gewinnbringend nutzen und bei Bedarf unkompliziert skalieren. lesen

Diversity – der Treibstoff der Digitalisierung

FIT-Kongress 2019

Diversity – der Treibstoff der Digitalisierung

Welche Führungskompetenzen braucht man im Zeitalter der Digitalisierung? Welche Stärken bringen Frauen hier mit? Und: Gegen welche Schwächen lohnt es sich anzukämpfen? Der FIT-Kongress befasst sich mit all diesen Themen genauso wie mit KI, Machine Learning und VUCA. lesen

Elastic Stack in Version 7.4.0 verfügbar

Einfachere Cluster-Verwaltung

Elastic Stack in Version 7.4.0 verfügbar

Ab sofort ist der quelloffene Elastic Stack in Version 7.4.0 erhältlich. Er bietet unter anderem neue Funktionen für einfachere Verwaltung und Betrieb von Clustern sowie erweiterte Aggregations- und Machine-Learning-Features. lesen

So gelingt eine DSGVO-konforme Data Analytics

Kommentar von Sebastian Weyer, Statice

So gelingt eine DSGVO-konforme Data Analytics

Die Datenschutzgrundverordnung stellt viele Unternehmen vor die Herausforderung, den Spagat zwischen Datenschutz und der Notwendigkeit, Daten-getriebene Innovationen auf den Weg zu bringen, zu meistern. Wie vertragen sich Datenschutz und Datennutzung in einem auf Fortschritt bedachten Unternehmen? lesen

Ist Europa tatsächlich das KI-Schlusslicht?

Künstliche Intelligenz

Ist Europa tatsächlich das KI-Schlusslicht?

Im Vergleich zu den Aktivitäten der US-Internetriesen und den massiven Förderungen des chinesischen Staates für Künstliche Intelligenz (KI) scheint es laut vieler Umfragen in Europa eher beschaulich zuzugehen. Spiegeln sie tatsächlich die Realität wider? Wir klären auf und differenzieren das Bild. lesen

Cloudera stellt Data Platform vor

Self-Service-Analysen

Cloudera stellt Data Platform vor

Mit der Cloudera Data Platform (CDP) hat Cloudera ab sofort eine integrierte Datenplattform im Portfolio. Sie soll einfache Implementierung und Anwendung mit leistungsstarken Self-Service-Analysen in hybriden und Multi-Cloud-Umgebungen verbinden. lesen

IoT-Events im November

Veranstaltungskalender

IoT-Events im November

Das Jahr neigt sich langsam dem Ende zu. Der Veranstaltungskalender ist aber weiterhin prall gefüllt mit zahlreichen spannenden Events, um das Jahr ausklingen zu lassen. lesen

Potenzial und Grenzen von Deep Learning im Versicherungsunternehmen

Kommentar von Dr. Marco Peisker, Adesso AG

Potenzial und Grenzen von Deep Learning im Versicherungsunternehmen

Versicherer stehen weiterhin einer Vielzahl von Herausforderungen gegenüber. Sinkende Erträge – auch durch die aktuelle Kapitalmarktsituation – sind nur schwer durch Umsatzsteigerungen auf relativ gesättigten Märkten zu substituieren. Technische Fortschritte insbesondere im Bereich der Künstlichen Intelligenz können sich für die daraus resultierenden notwendigen Kostenoptimierungsmaßnahmen durchaus als hilfreich erweisen. lesen

copyright

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