Machine Learning

Informationen und hilfreiche Links bei Interesse an Maschinellem Lernen

Maschinelles Lernen ist ein Oberbegriff für die maschinelle oder auch "künstliche" Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht und welches gegen die Testdaten getestet wird. Das heißt, es wird versucht nicht die Beispiele auswendig zu lernen, sondern Muster und Gesetzmäßigkeiten in den Lerndaten zu erkennen. Danach soll das System auch unbekannte Daten beurteilen können.

Das Erkennen von Mustern und Gesetzmäßigkeiten sowie die anschließende Ableitung passender Lösungsansätze sind Aufgabengebiet dieser Technologie. Die Grundlage bilden vorhandene Datenbestände, die zur Erkennung der Muster benötigt werden. Dementsprechend generiert maschinelles Lernen ein künstliches Wissen auf Basis von bereits gemachten Erfahrungen. Alle Erkenntnisse, die gewonnen werden, lassen sich verallgemeinern und somit für weitere Problemstellungen verwenden. Das maschinelle Lernen ist ein Teilgebiet der künstlichen Intelligenz.

Die Voraussetzung für diesen maschinellen Lernprozess sind menschliche Vorleistungen. Die entsprechenden Systeme müssen von einem menschlichen Anwender mit den relevanten Daten sowie den relevanten Algorithmen versorgt werden. Zusätzlich müssen Regeln für die Datenanalyse sowie die Mustererkennung definiert und festgehalten werden. Sobald diese Grundlagen vorhanden sind, können die Systeme die relevanten Daten identifizieren, extrahieren und zusammenfassen. Auch Prognosen auf Basis der bisherigen Analysen sind somit möglich. Mithilfe des maschinellen Lernens können so Eintrittswahrscheinlichkeiten für verschiedene Szenarien berechnet werden.

Im Prinzip orientiert sich die Funktionsweise des maschinellen Lernens an dem des menschlichen Lernens. Ein Mensch lernt durch das Differenzieren und Wiederholen von Tätigkeiten. So kann das wiederholte Zeigen mehrere Objekte dazu beitragen, dass ein Mensch dieses von anderen Objekten unterscheiden kann. Auch das Machine Learning verfolgt einen vergleichbaren Ansatz. Ein Computer wird durch die Befehle eines Programmierers sowie entsprechenden Daten in die Lage versetzt, verschiedene Objekte zu erkennen und zu unterscheiden. Die Versorgung mit passenden Daten spielt bei diesem Lernprozess eine besondere Rolle. Im Zuge des Lernprozesses kann das System auch den Unterschied zwischen einem Menschen und einem anderen Objekt erlernen und somit Entscheidungen auf Basis dieser Erkenntnis treffen. Der Programmierer fungiert hierbei als Lehrer, der der Maschine ein kontinuierliches Feedback gibt. Im Umkehrschluss nutzt der entwickelte Algorithmus das Feedback, um das Modell anzupassen und zu optimieren. Das bedeutet auch, dass jeder weitere Datensatz, der in das System eingespeist wird, zu einer Anpassung und Optimierung des Modells führt.

Wenn man sich für dieses Thema interessiert muss man zunächst die Grundlagen verstehen. In Deutschland offeriert insbesondere das Hasso-Plattner-Institut mit seiner OpenHPI-Plattform kostelose, an die interessierte Öffentlichkeit gerichtete häufig deutschsprachige Kurse, genannt MOOCS, die auch schon mit Preisen ausgezeichnet wurden:

Weitere Selbstlernmaterialen (teils auch kostenpflichtig) und Literatur listet die Graduierteakademie der Universität Heidelberg auf.