Was ist maschinelles Lernen

Maschinelles Lernen ist ein Überbegriff für die künstliche Produktion von Kenntnissen aus Erlebnis. Ein artifizielles Komplettsystem lernt aus Exempeln und kann diese nach Schluss des Lernstadiums generalisieren.

Berechnungsverfahren bauen dazu beim maschinenmäßigem Lernen ein statistisches Model auf. Dies beruht auf Schulungsdaten. Nicht nur die Exempel werden frei erlernt, sondern Musterungen und Rechtmäßigkeiten in den Lernzahlen festgestellt. Die Systematik kann so ebenfalls fremde Angaben bewerten oder aber am Erlernen fremder Angaben versagen.

Automatisierte Diagnoseverfahrensweisen, Feststellung von Kreditkartenbetrug, Aktienmarktprüfungen, Klassifizierung von Basensequenzen, Sprachrezeption und Texterkennung sowie autonome Systematiken seien aus der großen Spanne potenzieller Applikationen da bezeichnet.

Dicht angewandt mit Knowledge Discovery in Databases und Data-Mining, bei dem es allerdings überwiegend um das Auffinden von neuen Patterns und Rechtmäßigkeiten geht, ist die Themenstellung. Für beide Vorhaben benutzt werden können viele Berechnungsverfahren.

Verwendet werden, um Lernangaben für maschinenmäßiges Lernen zu erzeugen oder vorzuverarbeiten können Techniken der Knowledge Discovery in Databases. Berechnungsverfahren aus dem maschinenmäßigen Lernen beim Data-Mining finden im Gegenzug dazu Verwendung. Der Ausdruck ist zu differenzieren zudem von der Bezeichnung Deep Learning. Dies darstellt einzig eine etwaige Lernvariation mittels unechter nervlicher Netzwerke.

Als Statistische Konklusion genannt wird das Schlussfolgern von Angaben auf Models.

Was ist die symbolische und nicht-symbolische Herangehensweisen?

Methode und Umfang der Kenntnispräsentation spielen beim maschinenmäßigem Lernen eine entscheidende Funktion. Man unterscheidet zwischen metaphorischen Herangehensweisen, in denen die Kenntnis – sowohl die Exempel als außerdem die induzierten Vorschriften – wortreich vertreten ist, und nicht-symbolischen Arbeitsweisen, wie nervlichen Netzwerken, denen nämlich eine berechenbare Verhaltensweise antrainiert wird, die allerdings keinen Überblick in die erlernten Lösungspfade erlauben. In diesem Fall ist Kenntnis indirekt auftreten.

Aussagenlogische und prädikatenlogische Komplettsysteme werden bei den sinnbildlichen Vorgehensweisen unterschieden. ID3 und sein Erbfolger C4.5. sind Repräsentanten der ersteren. Im Gebiet der induktiven abgeleiteten Programmierung erarbeitet werden letztere.

Was bedeutet algorithmische Herangehensweise?

Mittels Algorithmen geschieht die praktische Durchführung. Sich in ungefähr zwei Fraktionen aufteilen lassen sich verschiedene Berechnungsverfahren aus dem Gebiet des maschinenmäßigen Lernens. In überwachtes Lernen und in unüberwachtes Lernen.

Was ist überwachtes Lernen ?

Eine Funktionalität aus gegebenen Paarmengen von Einträgen und Abgaben lernt das Berechnungsverfahren. Eine Lehrperson stellt dabei während des Lernens den richtigen Funktionssachwert zu einem Eintrag bereit. Zielsetzung beim überwachten Lernen ist, dass dem Netzwerk nach mehreren Operationen mit unterschiedlichen In- und Outputs0 die Fertigkeit antrainiert wird, Vereinigungen herzustellen.

Ein Teilbereich des überwachten Lernens ist die automatische Klassifikation. Die Schriftenerkennung wäre ein Verwendungsbeispiel.

Es lassen sich noch einige Unterkategorien für überwachtes Lernen identifizieren, die in der Literatur häufiger erwähnt werden:

• Teilüberwachtes Lernen: Nur für einen Teil der Eingaben sind die dazugehörigen Ausgaben bekannt.
• Bestärkendes Lernen: Wie in potenzial auftretenden Umständen zu agieren ist, lernt das Berechnungsverfahren durch Entschädigung und Strafe eine Strategie um den Vorteil des Agenten zu maximalisieren. Die häufigste Lernvariante einer Person ist dies.
• Aktives Lernen: Die Chance, für einen Bestandteil der Einträge die richtigen Ausgaben anzufragen hat das Berechnungsverfahren. Das Berechnungsverfahren muss dabei die Fragestellungen prägen, welche einem großen Informationsstandgewinn wahrscheinlich besitzen, um die Zahl der Fragestellungen eher geringfügig zu behalten,
• Selbständiges Lernen: In zwei essenzielle Bestandteile unterteilt werden kann jene Rechenvorschrift. Aus einer bestehenden gelabelten Eintragung bedeutendere Daten mit Pseudolabeln leitet der erste Algorithmusbestandteil her. Aus der erweiterten gelabelten Eintragung lernt der zweite Algorithmusbestandteil jetzt und der zweite Algorithmusbestandteil wendet gefundene Musterungen für ihr eigenes Model an.

Was ist unüberwachtes Lernen?

Das Berechnungsverfahren erzeugt für eine gegebene Zahl von Einträgen ein statistisches Model, das die Einträge definiert und ausgemachte Gattungen und Verknüpfungen enthält und damit Voraussagen treffen kann. Dabei gibt es Clustering-Verfahren, die die Datenansammlungen in mehrere Gattungen einteilen, die sich durch charakteristische Musterungen gegenseitig unterscheiden.

Klassifikatoren erstellt das Netzwerk daher selbständig, nach denen es die Eingabemusterungen einteilt. Ein wesentlicher Algorithmus in diesem Bezug ist der EM-Algorithmus, der iterativ die Kenngrößen eines Models so festlegt, dass es die gesehenen Angaben ideal erklärt.

Er legt dabei das Bestehen nicht beobachtbarer Gattungen zugrunde und schätzt wechselweise die Zuordnung der Datenmaterialien zu einer der Gattungen und die Kenngrößen, die die Rubriken definieren.

In den Hidden Markov Models findet eine Verwendung des EM-Algorithmus sich zum Beispiel. Andere Methoden des unüberwachten Lernens, beispielsweise Hauptkomponentenanalyse, verzichten auf die Kategorisierung. Darauf die beobachteten Datenansammlungen in eine simplere Vertretung zu übertragen zielen sie ab, die sie trotz dramatisch reduzierter Information nach Möglichkeit exakt wiedergibt.

Darüber hinaus unterscheidet man zwischen Batch-Lernen, bei dem alle Eingabe / Ausgabe-Paare zeitgleich existent sind, und stetigem Lernen, bei dem sich die Konstruktion des Netzwerks temporell unterschiedlich entwickelt.

Außerdem unterscheidet man zwischen Off-line-Lernen, bei dem alle Angaben behalten werden und daher reproduzierbar wieder verwendbar sind, und On-line-Lernen, bei dem die Informationen nach einzigem Ausarbeiten und Adaptieren der Gewichte gelöscht werden. Inkremental ist On-line-Training stets, off-line ist Batch Training stets. On-line oder off-line kann inkrementelles Lernen allerdings stattfinden.