Was ist Maschinelles Lernen?

Maschinelles Lernen (ML) ist ein Teilbereich der Künstlichen Intelligenz (KI). ML befasst sich mit der Entwicklung von Algorithmen, die es Computern ermöglichen, aus Daten zu lernen und sich selbstständig zu verbessern, ohne explizit programmiert zu werden. Anhand von Trainingsdaten oder Erfahrungen können sie Vorhersagen treffen oder Entscheidungen autonom fällen.

ML-Probleme lassen sich in zwei Hauptkategorien unterteilen: Vorhersage (z. B. Haus- oder Autopreisvorhersage) und Klassifizierung (z. B. Handschrifterkennung oder Objekterkennung).

Prozess der Online-CV-Erstellung

Der Workflow im Maschinellen Lernen

Der typische Workflow im Maschinellen Lernen umfasst folgende Schritte:

1. Datensammlung: Um lernen zu können, benötigt ein Computer Daten. Diese können selbst erhoben oder aus öffentlich verfügbaren Datensätzen bezogen werden. Die Datenqualität ist entscheidend für den Lernerfolg.
2. Vorverarbeitung: In diesem Schritt werden die Daten bereinigt, unnötige Attribute entfernt, Daten gelabelt, Features kodiert und extrahiert sowie die Datenmenge reduziert, ohne die Ergebnisse zu beeinträchtigen. Dieser Schritt ist oft der zeitaufwändigste.
3. Modelltraining: Hier wird das Modell mit den gesammelten und verarbeiteten Daten trainiert.
4. Modellbewertung: Nach dem Training wird das Modell anhand verschiedener Metriken bewertet. Eine Genauigkeit von über 80 % gilt als gut.
5. Verbesserung: Erreicht das Modell nicht die gewünschte Genauigkeit, muss es neu trainiert werden. Die Schritte 3 bis 5 werden wiederholt, bis die gewünschte Genauigkeit erreicht ist.

Arten des Maschinellen Lernens

Maschinelles Lernen wird hauptsächlich in zwei Arten unterteilt:

• Überwachtes Lernen (Supervised Learning): Der Computer lernt aus gelabelten Daten. Jedem Eingabewert Xi ist ein Label Yi zugeordnet.
• Unüberwachtes Lernen (Unsupervised Learning): Der Computer lernt aus ungelabelten Daten. Algorithmen finden Korrelationen, modellieren Daten, ermöglichen dem Computer das Verstehen der Daten und klassifizieren sie in Gruppen (Clustering) oder reduzieren die Dimensionalität (Dimensionality Reduction).

Grundlegende Konzepte im Maschinellen Lernen

• Dataset: Der Rohdatensatz vor der Verarbeitung. Ein Dataset besteht aus mehreren Datenpunkten.
• Datenpunkt: Eine einzelne Beobachtung. Jeder Datenpunkt hat mehrere Merkmale oder Attribute, die in numerische und nicht-numerische/kategorische Daten unterteilt werden.
• Trainingsdaten und Testdaten: Das Dataset wird in diese beiden Teilmengen aufgeteilt. Trainingsdaten werden zum Trainieren des Modells verwendet, Testdaten zur Vorhersage und Bewertung.
• Featurevektor: Repräsentiert einen Datenpunkt im Dataset. Jeder Vektor hat n Dimensionen, die die Merkmale des Datenpunkts darstellen. Jedes Merkmal ist eine Dimension und muss numerisch sein.
• Modell: Das Modell wird anhand der Trainingsdaten und des jeweiligen Algorithmus trainiert. Anschließend kann es Vorhersagen treffen oder Entscheidungen basierend auf dem Gelernten fällen.

Anwendungen des Maschinellen Lernens

Maschinelles Lernen findet breite Anwendung in verschiedenen Bereichen: Finanzen, Biologie, Landwirtschaft, Information Retrieval, Automatisierung, Robotik, Chemie, Computernetzwerke, Weltraumforschung, Werbung, Natural Language Processing, Computer Vision usw.

Beispielsweise bei der Wettervorhersage: Durch das Lernen aus vergangenen Beobachtungen kann ML genauere Vorhersagen treffen als Menschen. Die Effektivität von ML macht es in der heutigen Zeit zu einem wichtigen Lernfeld.