Basics

Was ist Künstliche Intelligenz?

19. März 2020, 18:30 Uhr | Andrea Gillhuber

Fortsetzung des Artikels von Teil 1

Machine Learning - Die Technik zur Datenanalyse

Machine Learning ist eine Technik zur Datenanalyse, mit der Computer die Fähigkeit erwerben, aus Erfahrung zu lernen. Machine-Learning-Algorithmen verwenden rechnergestützte Methoden, um Informationen direkt aus Daten zu »lernen«, ohne eine vorgegebene Gleichung als Modell zu nutzen. Mit wachsender Anzahl von Stichproben, die zum Lernen zur Verfügung stehen, steigern diese Algorithmen adaptiv ihre Leistung.

Machine-Learning-Algorithmen finden natürliche Muster in Daten, die Erkenntnisse generieren und die Entscheidungsfindung sowie Prognosen unterstützen können. Anwendungsbereiche sind beispielsweise medizinische Diagnosen, Börsenhandel, Vorhersagen von Stromlasten.

Machine Learning verwendet zwei Arten von Techniken:

überwachtes Lernen: Erstellung und Training von Modellen für Prognosen anhand von bekannten Eingabe- und Antwortdaten;
nicht überwachtes Lernen, mit dem verborgene Muster oder innere Strukturen in Eingabedaten gefunden werden.

Ein Algorithmus des überwachten Machine Learning verwendet eine bekannte Menge von Eingabe- und Ausgabedaten, den sogenannten Trainingsdatensatz, um damit ein Modell so zu trainieren, dass dieses Modell fundierte Vorhersagen der Antwortwerte für neue Datensätze treffen kann.
Die Verwendung größerer Trainingsdatensätze und die Optimierung von Modell-Hyperparametern kann oft die Vorhersagekraft des Modells erhöhen und sicherstellen, dass es für neue Datensätze gut verallgemeinert werden kann.

Klassifikations- und Regressionstechniken

Beim überwachten Lernen werden Klassifikations- und Regressionstechniken verwendet, um die prädiktiven Modelle zu entwickeln.

Klassifikationstechniken sagen diskrete Ausgänge vorher – beispielsweise, ob eine E-Mail echt oder Spam ist oder ob ein Tumor bös- oder gutartig ist. Klassifikationsmodelle klassifizieren Eingabedaten in Kategorien. Typische Anwendungen sind die medizinische Bildgebung, die Spracherkennung und das Credit Scoring. Die Klassifikation wird verwendet, wenn Daten mit Schlagwörtern versehen, in Kategorien eingeteilt oder in spezifische Gruppen oder Klassen aufgeteilt werden können.
Regressionstechniken sagen kontinuierliche Ausgänge voraus – beispielsweise Temperaturänderungen oder Schwankungen des Energiebedarfs. Typische Anwendungen sind die Vorhersage von Stromlasten und der algorithmische Handel. Regressionstechniken werden im Fall von Datenbereichen bzw. -spektren verwendet, oder wenn der Ausgang eine reelle Zahl ist, wie eine Temperatur oder die Zeit bis zum Ausfall eines Geräts.

Nicht überwachtes Machine Learning findet Muster oder innere Strukturen in Daten. Es wird verwendet, um Rückschlüsse aus (u.U. sehr großen) Datenmengen zu ziehen. Die Eingabedaten sind nicht gekennzeichnet und es existieren keine klassifizierten Ausgabedaten, mit denen ein Modell trainiert werden könnten.

Clustering ist die häufigste Technik des nicht überwachten Lernens. Es wird für explorative Datenanalysen verwendet, um verborgene Muster oder Gruppierungen in Daten zu finden. Anwendungen für die Clusteranalyse sind beispielsweise Gensequenzanalyse, Marktforschung und Objekterkennung.