Zum Inhalt springen

Wissen, das die Welt erhellt

Was ist maschinelles Lernen? Wie Computer aus Daten lernen, einfach erklärt

Maschinelles Lernen treibt viele Technologien an, von Spam-Filtern bis hin zu Filmempfehlungen. Wir erklären die wichtigsten Konzepte, Lernarten und Grenzen anhand von Beispielen.

Was ist maschinelles Lernen? Wie Computer aus Daten lernen, einfach erklärt

Bei herkömmlicher Software geben wir dem Computer Schritt für Schritt mit Regeln vor, was er tun soll. Beim maschinellen Lernen geben wir dem Computer viele Beispiele und lassen ihn die Regeln selbst erarbeiten. Maschinelles Lernen ist heute der am weitesten verbreitete Zweig der künstlichen Intelligenz.

Ein einfaches Beispiel: der Spam-Filter

Es ist praktisch unmöglich, jede Regel zu schreiben, die entscheidet, ob eine E-Mail Spam ist oder nicht. Stattdessen werden dem System Tausende von E-Mails gezeigt, die als "Spam" oder "normal" gekennzeichnet sind. Das Modell lernt die Muster in diesen Beispielen und ist in der Lage, neue E-Mails zu klassifizieren, die es noch nie zuvor gesehen hat.

Drei Hauptarten des Lernens

  • Überwachtes Lernen (Supervised Learning): Das Modell wird mit Beispielen trainiert, für die die richtigen Antworten bekannt sind. Die Vorhersage von Immobilienpreisen, das Erkennen von Objekten in Bildern und die Spam-Erkennung sind Beispiele hierfür.
  • Unüberwachtes Lernen (Unsupervised Learning): Das Modell entdeckt verborgene Gruppen und Strukturen in unbeschrifteten Daten, wie zum Beispiel die Gruppierung von Kunden nach ähnlichem Einkaufsverhalten.
  • Bestärkendes Lernen (Reinforcement Learning): Das Modell lernt die beste Strategie durch Versuch und Irrtum, geleitet von Belohnungen und Bestrafungen. Spiel-KIs und einige Robotikanwendungen nutzen diese Methode.

Deep Learning und neuronale Netze

Deep Learning ist ein Ansatz des maschinellen Lernens, der von der Funktionsweise des Gehirns inspiriert ist und mehrschichtige "künstliche neuronale Netze" verwendet. Dank Big Data und leistungsstarker Prozessoren hat dies zu großen Fortschritten bei der Spracherkennung, Bildverarbeitung, Übersetzung und bei textgenerierenden Chat-Assistenten geführt.

Beispiele aus dem Alltag

  • Empfehlungen auf Video- und Musikplattformen
  • Gesichtserkennung bei Smartphones und automatische Gruppierung in Fotogalerien
  • Erkennung verdächtiger Transaktionen durch Banken
  • Verkehrsprognosen in Karten-Apps
  • Automatische Übersetzung und Sprachassistenten

Grenzen und Risiken

  • Datenqualität: Ein Modell ist nur so gut wie die Daten, mit denen es trainiert wurde. Unvollständige oder falsche Daten führen zu falschen Ergebnissen.
  • Voreingenommenheit (Bias): Soziale Vorurteile in Trainingsdaten können sich im Modell widerspiegeln, weshalb der Aufbau fairer, transparenter Systeme ein wichtiges Forschungsgebiet ist.
  • Erklärbarkeit: Es kann schwierig sein zu verstehen, wie manche komplexen Modelle zu einer Entscheidung gelangen.
  • Datenschutz: Die Verwendung personenbezogener Daten beim Training erfordert rechtliche und ethische Sorgfalt.

Wie wird ein Modell trainiert und getestet?

Bei Projekten des maschinellen Lernens werden Daten normalerweise in drei Teile aufgeteilt. Diese Aufteilung ist der grundlegende Weg, um herauszufinden, ob ein Modell wirklich gelernt hat:

  • Trainingsdaten: Der Hauptdatensatz, aus dem das Modell Muster lernt; der größte Teil der Daten fließt hier hinein.
  • Validierungsdaten: Werden während des Trainings verwendet, um die Einstellungen des Modells zu wählen und verschiedene Versuche zu vergleichen.
  • Testdaten: Werden ganz am Ende einmalig verwendet, um zu messen, wie gut das Modell bei Daten abschneidet, die es noch nie zuvor gesehen hat.

Wenn nur begrenzte Daten vorhanden sind, teilt die Methode der "Kreuzvalidierung" (Cross-Validation) die Daten in mehrere Teile auf und verwendet jeden Teil abwechselnd zum Testen, sodass das Ergebnis nicht von einer einzigen zufälligen Aufteilung abhängt.

Overfitting: Das Modell, das auswendig lernt

Eines der häufigsten Probleme beim maschinellen Lernen ist das "Overfitting" (Überanpassung). In diesem Fall merkt sich das Modell nicht nur die allgemeinen Regeln der Trainingsdaten, sondern auch deren zufällige Details und Rauschen. Das Ergebnis: Es sieht bei den Trainingsdaten fast perfekt aus, aber seine Leistung bei neuen Daten sinkt deutlich. Es ist wie bei einem Schüler, der die Fragen der vergangenen Jahre auswendig lernt, ohne das Thema zu verstehen, und dann bei einer neuen Frage scheitert. Das Sammeln von mehr und vielfältigeren Daten, das Modell nicht komplexer als nötig zu machen und das Training zu stoppen, wenn die Leistung bei den Validierungsdaten zu sinken beginnt, sind gängige Methoden, um Overfitting zu reduzieren.

Häufig gestellte Fragen

Sind KI und maschinelles Lernen dasselbe?

Nein. KI ist ein breites Feld, das Systeme umfasst, die sich intelligent verhalten; maschinelles Lernen ist eine der häufigsten Methoden innerhalb dieses Feldes.

Was brauche ich, um maschinelles Lernen zu lernen?

Grundkenntnisse in Statistik, linearer Algebra und eine Programmiersprache (meist Python) sind ein guter Anfang. Es gibt viele kostenlose Online-Ressourcen.

Quellen und weiterführende Literatur

  1. Google – Machine Learning Crash Course (Datensätze und Overfitting)
  2. Goodfellow, I., Bengio, Y. und Courville, A. (2016), Deep Learning, MIT Press
  3. scikit-learn Dokumentation – Cross-validation: evaluating estimator performance
Teilen
Folgen Sie YulaHubErfahren Sie die wichtigsten Nachrichten des Tages als Erste.
RSS

Kommentar hinterlassen

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert