Maschinelles Lernen ist eine Anwendung künstlicher Intelligenz (KI), die Systemen die Möglichkeit bietet, automatisch aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen konzentriert sich auf die Entwicklung von Computerprogrammen, die auf Daten zugreifen und daraus selbst lernen können.
Der Lernprozess beginnt mit Beobachtungen oder Daten wie Beispielen, direkter Erfahrung oder Anweisungen, um nach Mustern in Daten zu suchen und anhand der von uns bereitgestellten Beispiele in Zukunft bessere Entscheidungen zu treffen. Primäres Ziel ist es, dass die Computer ohne menschliches Zutun automatisch lernen und Aktionen entsprechend anpassen können.Mit den klassischen Algorithmen des maschinellen Lernens wird Text jedoch als eine Folge von Schlüsselwörtern betrachtet; Stattdessen ahmt ein auf semantischer Analyse basierender Ansatz die menschliche Fähigkeit nach, die Bedeutung eines Textes zu verstehen.
Einige Methoden des maschinellen Lernens
Algorithmen des maschinellen Lernens werden häufig als überwacht oder unbeaufsichtigt kategorisiert.
- Überwachte maschinelle Lernalgorithmen können das, was in der Vergangenheit gelernt wurde, anhand von markierten Beispielen auf neue Daten anwenden, um zukünftige Ereignisse vorherzusagen. Ausgehend von der Analyse eines bekannten Trainingsdatensatzes erzeugt der Lernalgorithmus eine abgeleitete Funktion, um Vorhersagen über die Ausgabewerte zu treffen. Das System ist in der Lage, nach ausreichendem Training Ziele für jeden neuen Input bereitzustellen. Der Lernalgorithmus kann auch seine Ausgabe mit der richtigen, beabsichtigten Ausgabe vergleichen und Fehler finden, um das Modell entsprechend zu modifizieren.
- Im Gegensatz dazu werden unüberwachte maschinelle Lernalgorithmen verwendet, wenn die zum Trainieren verwendeten Informationen weder klassifiziert noch gekennzeichnet sind. Unbeaufsichtigtes Lernen untersucht, wie Systeme aus unbeschrifteten Daten eine Funktion zur Beschreibung einer verborgenen Struktur ableiten können. Das System ermittelt nicht die richtige Ausgabe, sondern untersucht die Daten und kann Rückschlüsse aus Datensätzen ziehen, um verborgene Strukturen aus unbeschrifteten Daten zu beschreiben.Semi-überwachte Algorithmen für maschinelles Lernen liegen irgendwo zwischen überwachtem und unüberwachtem Lernen, da sie sowohl markierte als auch unmarkierte Daten für das Training verwenden – typischerweise eine kleine Menge markierter Daten und eine große Menge unmarkierter Daten. Die Systeme, die diese Methode verwenden, können die Lerngenauigkeit erheblich verbessern. In der Regel wird semi-überwachtes Lernen gewählt, wenn die erfassten markierten Daten qualifizierte und relevante Ressourcen erfordern, um sie zu trainieren / daraus zu lernen. Andernfalls sind für die Erfassung unbeschrifteter Daten im Allgemeinen keine zusätzlichen Ressourcen erforderlich.
- Reinforcement machine Learning algorithms ist eine Lernmethode, die mit ihrer Umgebung interagiert, indem sie Aktionen erzeugt und Fehler oder Belohnungen entdeckt. Trial-and-Error-Suche und verzögerte Belohnung sind die wichtigsten Merkmale des Verstärkungslernens. Mit dieser Methode können Maschinen und Softwareagenten automatisch das ideale Verhalten in einem bestimmten Kontext bestimmen, um seine Leistung zu maximieren. Einfaches Belohnungsfeedback ist erforderlich, damit der Agent lernt, welche Aktion am besten ist; Dies wird als Verstärkungssignal bezeichnet.
Maschinelles Lernen ermöglicht die Analyse großer Datenmengen. Während es im Allgemeinen schnellere, genauere Ergebnisse liefert, um profitable Chancen oder gefährliche Risiken zu identifizieren, kann es auch zusätzliche Zeit und Ressourcen erfordern, um es richtig zu trainieren. Die Kombination von maschinellem Lernen mit KI und kognitiven Technologien kann die Verarbeitung großer Informationsmengen noch effektiver machen.
Möchten Sie mehr erfahren?
KONTAKTIEREN SIE UNS FORDERN SIE EINE DEMO AN
Ursprünglich veröffentlicht März 2017, aktualisiert Mai 2020