Begriffe der Informationstechnologie 4.0 - Machine Learning

Machine Learning

Maschinelles Lernen ist die Anwendung und Erforschung von Verfahren, durch die Computersysteme befähigt werden, selbstständig Wissen aufzunehmen und zu erweitern, um ein gegebenes Problem besser lösen zu können als vorher. (Definition aus dem Gabler Wirtschaftslexikon [1]).

Die Systeme werden nicht, wie bisher üblich, programmiert, sondern sie lernen, indem sie Regel- und Gesetzmäßigkeiten in Daten erkennen und daraus Konklusionen und Aktionen ableiten.

Wie funktioniert der Machine Learning Prozess?

1. Erstellen eines Modells
   Im ersten Schritt wird für eine bestimmte Situation eine Prognose aufgestellt, die durch Algorithmen abgebildet wird und deren Berechnung abhängig von Parametern ist.
2. Input von Daten
   Nachdem Aufstellen des Modells wird das System mit realen Daten versorgt und die eingespeisten Daten werden von dem System analysiert. Die Ergebnisse werden mit der vorher aufstellten Vorhersage verglichen und Abweichungen sind wahrscheinlich.
3. Das System lernt
   Das Ziel ist es, aus der Analyse der Daten zu lernen und die mathematische Algorithmen so anzupassen, dass die Genauigkeit der Prognose ständig verbessert wird.
4. Ein iterativer Prozess
   Das System wird permanent mit neuen Daten versorgt und der beschriebene Lernprozess wiederholt sich immer wieder mit dem Ziel, der Prognose immer näher zu kommen.

Die verschiedene Methoden des Machine Learning:

Deep Learning
Eine bestimmte Methode des maschinellen Lernens ist Deep Learning. Hier werden Computer zur Lösung unzureichend definierte Abstraktionen und Probleme trainiert, indem neuronale Netze emuliert werden, die wie das menschliche Gehirn funktionieren. Zum Beispiel kann ein fünfjähriges Kind, im Gegensatz zu einem Computer, problemlos den Unterschied zwischen einem Schülerlotsen und einem Lehrer erkennen. In Anwendungen zur Bilder- und Spracherkennung sowie Computervisionen wird Deep Learning häufig eingesetzt.

Überwachtes Lernen (Supervised Learning)
Beim Überwachten Lernen lernt das System mit Trainingsdaten und einem Verständnis, wie Daten klassifiziert werden. Das Ziel ist es, Muster zu finden, die auf eine Analyseprozess angewendet werden können. Beispielsweise kann ein basierend auf Bildern und Beschreibungen trainiertes System zwischen Millionen von Tieren unterscheiden.

Unüberwachtes Lernen (Unsupervised Learning)
Im Gegensatz zum überwachten Lernen, weiss das System beim unüberwachten Lernen nicht, was es erkennen soll. Es erkennt bestimmte Muster und Cluster oder Kategorien, jedoch ohne zu Wissen, um welche Kategorie es sich handelt. Es handelt sich hier um einen iterativen Prozess, wo die Daten vollautomatisch analysiert werden. Diese Methode wird z.B. bei E-Mail-Spam-Erkennung angewendet, um unerwünschte E-Mails zu identifizieren.

Bestärkendes Lernen (Reinforcement Learning))
Beim bestärkenden Lernen lernt das System nach der Trial-and-Error-Methode und benötigt keine vorheriges Datenmaterial. Der Algorithmus bekommt ein Feedback aus der Datenanalyse und führt dem Benutzer zum besten Ergebnis. Die verwendeten Algorithmen haben das Ziel, die erhaltenen Belohnungen zu maximieren. Beispiel für die Verwendung von Reinforcement Learning ist AlphaGo von Google.

Quellenverzeichnis:
• Pixabay, Ahmed Gad - 2021
• Gabler Wirtschaftslexikon - 2021
• IBM Data Science und Machine Learning - 2021