Maschinelles Lernen

Beschäftigen wir uns mit der Quintessenz der künstlichen Intelligenz, dem „maschinellen Lernen“. Definiert werden kann er als Oberbegriff für die künstliche Generierung von Wissen auf erfahrenen Erlebnissen.

Die aus Daten gelernte Kenntnisse werden daraufhin im Allgemeinen für neue Problemlöseverfahren oder für die Analyse bisher unbekannter Daten verwendet. Bevor die Software eigenständig fähig ist zu lernen und Lösungen zu finden muss sie für das Lernen relevanter Daten und Algorithmen versorgt werden. Später werden Regeln und Musterkennungen in den Algorithmus des Programmes einprogrammiert, der Richtlinien für die Funktionalität des maschinellen Lernens aufstellt.

Bestimmte Fähigkeiten, die die Systeme nach vollständiger justieren und artgerechter programmieren besitzen können sind beispielsweise folgende:

-Relevante Daten finden, extrahieren und zusammenfassen,

-Vorhersagen auf Basis der analysierten Daten treffen,

-Wahrscheinlichkeiten für bestimmte Ereignisse berechnen,

-Sich an Entwicklungen eigenständig anpassen

-Prozesse auf Basis erkannter Muster optimieren.

Diese Algorithmen, die für das maschinelle Lernen haben unterschiedliche Ansätze, die sich in folgende Lernkategorien aufteilen lassen.

Überwachtes Lernen

Der Begriff der „Überwachung“ ist immer etwas irreführend, da sowohl das überwachte und unüberwachte maschinelle Lernen anfangs vom Menschen überwacht wird. Was sich ändert ist die Fähigkeitenstand und der Trainingsprozess. Das überwachte Training wird über eine lange Trainingsphase konkret ein Problem abgerichtet und dient zukünftig als produktives Assistenzsystem.

Die Trainingsphase sind wie folgt aus, dass der Input (Eingabewert) und der Output (das vorgeschriebene Ergebnis) bereits vorliegt und der Algorithmus dazu beauftragt wird die Lücke dazwischen zu füllen.

Zur Kategorie des überwachten Lernens gehören bestimmte Teildefinierungen wie das „bestärkende Lernen“ Diese Form kommt zum Einsatz, wenn ein Endergebnis noch nicht bestimmbar ist jedoch ein Trend zum Erfolg oder Misserfolg erkennbar ist. In der Trainingsphase wird jedes Ergebnis bewertet, ob dieses die richtige oder falsche Richtung geht.

Ein Beispiel ist das Programm „AlphaGo“ von Google Deepmind, bei dem das Programm darauf angewiesen war Daten zu Spielzügen ihrer Widersache zu adaptieren ohne jedoch ein Endziel entwickelt zu haben.

Unüberwachtes Lernen

Beim unüberwachten Lernen weiß das System generell nicht was es erkennen soll. Es erkennt zwar Muster und teilt diese Daten in Cluster oder definierte Kategorien auf ohne jedoch zu wissen, um welche Kategorie es sich handelt.

Beispielsweise bearbeitet der Algorithmus Bilder von Tieren, teilt einmal Katzen und einmal Hunde in unterschiedliche Kategorien anhand von biologischen und anatomischen Merkmalen, ohne diese zu benennen oder überhaupt zu wissen was eine Katze oder ein Hund ist.

Die Methode wird angewandt, wenn wir noch keine Daten kennen und dementsprechend keine Vorgaben machen können.

Innerhalb dieser Methode gibt es zwei Ansätze:

1. Clustering = Er teilt die Bilder, in diesem Fall die Tierarten in bestimmte Kategorien obwohl er darauf nicht trainiert war
2. Reduzierung der Dimensionalität = Das System erkennt durch ein im Vorfeld definiertes Muster welche Dimensionen zusammengehören und reduziert diese. So wird die Leistungsfähigkeit in der Analyse gesteigert.

Das neuronale Netz

Das neuronale Netz ist ein durch das Gehirn inspirierter Algorithmus der ein Typus des maschinellen Lernens ist.

Es besteht aus einem abstrahierten Modell miteinander verbundenen Neuronen, die durch ihre Anordnung bestimmte Anwendungsprobleme in verschiedenen Bereichen lösen können. Bevor diese neuronalen Netze jedoch Problemstellungen lösen können müssen sie trainiert werden.

Vereinfacht ausgedrückt besteht das neuronale Netz aus Neuronen, auch „Units“ genannt, die Informationen von außen oder von anderen Neuronen aufnehmen und modifizieren können und wiederum die Fähigkeit haben diese Informationen an andere Neuronen weiterzuleiten oder ein Endergebnis auszuliefern.

Es gibt sowohl Input-Neuronen, Hidden-Neuronen und Output-Neuronen.

Input- Neuronen = Nehmen Informationen in Form von Muster oder Signalen aus der Außenwelt wahr.

Hidden-Neuronen = Bilden das interne Informationsmuster ab

Output-Neuronen = Geben Informationen und Signale als Ergebnis an die Außenwelt weiter.

Verbunden sind die verschiedenen Neuronen über Datenstränge.

Wichtiger als die spezifische Funktionsweise und Aufbau dieses neuronalen Netzes sind die
Anwendungsbereiche. Da neuronale Netze perfekt geeignet für Anwendungen, bei denen nur geringe systematische Lösungsinformationen vorliegen werden sie häufig für die:

Spracherkennung, Bilderkennung, Simulationen und Prognosen für komplexe Systeme und Zusammenhänge, biometrische Systeme und andere Anwendungsbeispiele verwendet

Für eine genauere und detailliertere Beschreibung eines neuronalen Netzes kann ich diese Seite empfehlen  

Was ist ein neuronales Netz