Maschinelles Lernen ist allgegenwärtig, die Menschen nutzen es ausgiebig und generieren dabei mehr Daten, die wiederum der Maschine helfen, besser zu lernen. Es ist wichtig zu wissen, dass maschinelles Lernen ein Teil der künstlichen Intelligenz ist.
Ohne es zu wissen, nutzen Menschen viele Algorithmen des maschinellen Lernens in ihrem täglichen Leben. Viele Branchen nutzen die Möglichkeiten des maschinellen Lernens, um ihre Ziele zu erreichen, tiefere Einblicke in ihre Daten zu erhalten, sie zu analysieren und auf dieser Grundlage relevante Entscheidungen zu treffen.
Schauen wir uns einige wichtige Anwendungen des maschinellen Lernens in der Praxis an:
Bild/Gesichtserkennung
Haben Sie sich schon einmal gefragt, wie Facebook auf elegante Weise Freunde vorschlägt und bei der Erkennung von Gesichtern hilft? Alles dank der Bild-/Gesichtserkennungsalgorithmen, die dabei helfen, Gesichter zu erkennen und sie für gemeinsame Freunde zu markieren. Die Anwendungen verfolgen die Personen, mit denen wir (online) in Verbindung stehen, die Gruppen, denen wir angehören, die Interessen und die gemeinsamen Freunde. Auf der Grundlage des Konzepts des kontinuierlichen/aktiven Lernens schlagen die Anwendungen potenzielle Personen vor, mit denen wir in Kontakt treten könnten.
Die Feeds der Benutzerkonten werden auf der Grundlage dessen, was sie sich ansehen und was sie einkaufen, personalisiert, was dazu beiträgt, relevante Werbung entsprechend ihrer früheren Entscheidungen zu liefern.
Computer Vision
Es geht um die Extraktion von Informationen aus Bildern und Videos. Die Pinterest-App nutzt Computer Vision, um Objekte (allgemein als Pins bekannt) zu identifizieren und den Nutzern ähnliche Pins vorzuschlagen. Wenn zwei oder mehr Nutzer eine gewisse Anzahl gemeinsamer Pins haben, werden ihnen Pins des jeweils anderen vorgeschlagen. Wenn Nutzer A Interesse an a, b, m und n hat und Nutzer B Interesse an a, n, x und z hat, könnte Nutzer A an x und z interessiert sein, Nutzer B an b und m.
Spam oder Schinken
Die häufigste Anwendung von ML ist die Erkennung von Spam in E-Mails. Jedes Mal, wenn ein Benutzer eine unerwünschte E-Mail in seinem Konto sieht, ignoriert er sie oder löscht sie. Maschinelles Lernen sorgt dafür, dass solche unerwünschten Mails nicht in den Posteingang gelangen. Sie werden stattdessen in einem anderen Ordner gespeichert, der in der Regel "Spam" heißt.
Wie wird das gemacht? Sobald ein Benutzer eine E-Mail als "Spam" markiert, klassifizieren Algorithmen des maschinellen Lernens (die in E-Mail-Diensteanbieter integriert sind) solche E-Mails als Spam, indem sie die Anzahl und Art der Wörter in der Spam-E-Mail, die Kombination von Wörtern und viele andere Kriterien untersuchen. Wenn das nächste Mal eine solche E-Mail auftaucht, markiert der ML-Klassifikator sie als Spam und speichert sie im "Spam"-Ordner.
VPA (Virtuelle Persönliche Assistenten)
Google Assistant, Amazon Alexa, Siri von Apple - sie alle werden als persönliche Assistenten betrachtet, da sie den Benutzer bei der Ausführung bestimmter Aufgaben unterstützen. Sie verwenden Spracherkennungstechniken, um zu erkennen, was der Benutzer wünscht. Sie können durch die Aktivierung mit einer bestimmten Anweisung gestartet werden.
Die vom Benutzer zur Verfügung gestellten Informationen werden gesammelt und verfeinert, je nachdem, wie der Benutzer zuvor in ein Gespräch mit dem Assistenten verwickelt war. Auf der Grundlage dieser Daten werden die Antworten an den Benutzer ausgegeben.
GPS-Navigation
Wie findet ML heraus, wo sich ein Stau befindet und zeigt ihn in roter Farbe auf der Karte an? Auf der Grundlage des in Autos eingebauten GPS und der täglich genutzten Routen hilft ML bei der Erkennung von Verkehrsstaus.
Wenn ein Benutzer nach einem Ort sucht, werden auf Karten manchmal Vorschläge gemacht, und der Benutzer wählt einen dieser Vorschläge aus oder gibt einen ganz neuen Ort an. Wählt der Benutzer einen Ort aus den Vorschlägen aus, erfährt die Karte die Vorlieben des Benutzers. Wenn der Nutzer einen neuen Ort auswählt, sammelt die Karte diese Daten und speichert sie als Präferenz des Nutzers.
Chatbots
Statt menschlicher Eingriffe bei der Beantwortung trivialer Fragen werden Chatbots (gemeinhin als "Bots" bekannt) eingesetzt. Sie sind so programmiert, dass sie auf eine menschenähnliche Art und Weise sprechen und stehen meist zur Beantwortung von Nutzeranfragen zur Verfügung. Sie extrahieren einfach Daten von Websites und geben sie an die Kunden weiter.
Es gibt verschiedene Arten von Chatbots, von denen sich einige auf Regeln stützen (definierte Regeln, die bei der Interaktion mit den Kunden helfen) und andere, die Verstärkungslernen (Lernen auf der Grundlage von erhaltenem Feedback) verwenden. Auf diese Weise können die Humanressourcen für andere Aufgaben eingesetzt werden, die menschliche Unterstützung erfordern.
Erkennung von Betrug
Der Cyberspace kann zu einem sicheren Ort gemacht werden, indem ML-Algorithmen eingesetzt werden, die Betrug, Geldwäsche und andere Missetaten aufdecken. Es kommt vor, dass wir ständig Produkte kaufen und mit Kreditkarten bezahlen. Algorithmen erkennen dies als unrechtmäßige Transaktionen und senden eine Benachrichtigung an den Besitzer der Karte mit der Frage, ob die Transaktionen von ihm stammen oder nicht.
Empfehlungen
Dabei kann es sich um Filmempfehlungen, Produktempfehlungen in Shopping-Anwendungen oder einfach nur um Werbung handeln, die auf dem basiert, was der Nutzer zuvor gesucht oder eingekauft hat. Zum Beispiel: Wenn ein Nutzer auf einer E-Commerce-Website ein Babyprodukt kauft, schlägt die App andere Produkte vor, die mit dem Babyprodukt oder den Babys verwandt sind.
Wenn sich Nutzer für ein Abonnement anmelden, erhalten sie auch Push-Benachrichtigungen oder E-Mails über Produkte, die sie interessieren könnten" oder die ihnen gefallen werden". Auf der Grundlage dessen, was wir uns ansehen und was wir kaufen, liefern Algorithmen des maschinellen Lernens Vorschläge für bessere Erfahrungen.
Methoden des maschinellen Lernens
Algorithmen des maschinellen Lernens können mit einer Vielzahl von Lernmethoden implementiert werden. Für jede Lernmethode gibt es eine Reihe von Algorithmen, die in einer bestimmten Sprache implementiert werden können. In diesem Beitrag werden wir diese Methoden und einige Algorithmen, die zu diesen Methoden gehören, verstehen.
Algorithmen für maschinelles Lernen lassen sich je nachdem, ob sie mit oder ohne menschliche Aufsicht lernen, in 4 Typen einteilen:
- Algorithmen des überwachten Lernens
- Halbüberwachte Lernalgorithmen
- Unüberwachte Lernalgorithmen
- Algorithmen für das Verstärkungslernen
Algorithmen für maschinelles Lernen lassen sich je nachdem, ob sie inkrementell lernen oder nicht, in 2 Typen einteilen:
- Online-Lernen
- Batch-Lernen
Algorithmen für maschinelles Lernen lassen sich anhand der Tatsache, ob sie Muster in Daten erkennen oder neue Datenpunkte mit zuvor gesehenen Datenpunkten vergleichen, in 2 Typen einteilen:
- Modellbasiertes Lernen
- Instanzbasiertes Lernen
Überwachtes Lernen
Es ist eine der beliebtesten Lernmethoden, da sie leicht zu verstehen und relativ einfach zu implementieren ist, um relevante Ergebnisse zu erhalten.
Betrachten Sie dieses Beispiel: Wie lernt ein Kind? Man bringt ihm das Gehen, Laufen und Sprechen bei und sorgt dafür, dass es den Unterschied zwischen Gehen und Laufen versteht.
Überwachtes Lernen funktioniert in ähnlicher Weise, d. h. es gibt eine menschliche Überwachung in Form von Kennzeichnung von Merkmalen, Rückmeldung an die Daten (ob die Vorhersage richtig war und wenn nicht, wie die richtige Vorhersage aussehen muss) usw.
Sobald der Algorithmus vollständig auf solche Daten trainiert wurde, kann er die Ausgaben für noch nie zuvor gesehene Eingaben in Übereinstimmung mit den Daten, auf denen das Modell trainiert wurde, mit guter Genauigkeit vorhersagen. Er wird auch als aufgabenorientierter Algorithmus verstanden, da er sich auf eine einzige Aufgabe konzentriert und auf einer großen Anzahl von Beispielen trainiert wird, bis er die Ausgabe genau vorhersagt.
Anwendungen des überwachten Lernens:
- Spam-Klassifizierung
- Gesichtserkennung
Überwachte Algorithmen können in zwei Kategorien eingeteilt werden: Klassifizierungsalgorithmen und Regressionsalgorithmen.
Semi-überwachtes Lernen
Es liegt zwischen den überwachten und den unüberwachten Lernalgorithmen.
Warum gibt es sie überhaupt?
Um die Lücke zu schließen, die durch die Verwendung von überwachten und unüberwachten Algorithmen entsteht.
Überwachte Lernalgorithmen sind teuer, das heißt, sie müssen (von einem Menschen) etikettiert werden. Andererseits sind unüberwachte Lernalgorithmen möglicherweise nicht sehr genau und können nicht in jedem Bereich eingesetzt werden.
Bei halbüberwachten Lernalgorithmen sind die Eingabedaten eine Kombination aus gekennzeichneten und nicht gekennzeichneten Datensätzen. Es gibt eine kleine Menge an gekennzeichneten Daten und eine vergleichsweise große Menge an nicht gekennzeichneten Daten. Ähnliche Daten werden mit Hilfe eines unüberwachten Lernalgorithmus zu einer Einheit geclustert. Die gekennzeichneten Daten werden verwendet, um die nicht gekennzeichneten Daten weiter zu kennzeichnen.
Anwendungen von Algorithmen des halbüberwachten Lernens:
- Analyse von Sprache
- Klassifizierung von Inhalten im Internet
Unüberwachtes Lernen
Dies ist das Gegenteil des überwachten Lernens, bei dem die Eingabedaten, die dem unüberwachten Lernalgorithmus zugeführt werden, nicht gekennzeichnet sind. Der Algorithmus muss aus den unmarkierten Daten lernen und selbständig Operationen mit ihnen durchführen. In den meisten Fällen sind reale Daten unstrukturiert und unmarkiert. Daher müssen unüberwachte Algorithmen verwendet werden. Andernfalls greift der Mensch ein und kennzeichnet die Eingabedaten, damit sie als Eingabe für einen überwachten Lernalgorithmus verwendet werden können.
Betrachten Sie dieses Beispiel: Ein Satz von Bildern von Pferden in verschiedenen Winkeln und Farben. Der Algorithmus für unüberwachtes Lernen erhält keine Kennzeichnung, die angibt, dass es sich bei allen Bildern um Pferde handelt. Der Algorithmus selbst lernt aus den Bildern auf der Grundlage der Merkmale dieser Bilder, Ähnlichkeiten und Unterschiede.
Anwendungen des unüberwachten Lernens:
- Clustering
- Erkennung von Anomalien
- Vorverarbeitungsoperationen für Daten
Unüberwachte Daten können in zwei Kategorien unterteilt werden: Clustering und Assoziationsalgorithmen.
Verstärkendes Lernen
Ein Algorithmus, der einen Verstärkungsagenten definiert, der entscheidet, welcher Schritt als Nächstes unternommen werden muss, um zum Ergebnis zu gelangen oder den optimalen Weg zu finden. Wenn einem Algorithmus des verstärkenden Lernens kein Datensatz zur Verfügung gestellt wird, lernt er aus seiner Umgebung und seinen Erfahrungen. Wenn der Verstärkungsalgorithmus eine Aktion ausführt, wird er entweder belohnt oder bestraft (die Art der Belohnung und Bestrafung hängt von den verfügbaren Daten ab).
Wenn der Algorithmus belohnt wird, bewegt er sich in dieselbe Richtung oder auf derselben Linie. Wird der Algorithmus hingegen bestraft, so erkennt er, dass er einen anderen Weg finden muss, um zur Lösung zu gelangen.
Wie unterscheidet er sich von Algorithmen des überwachten Lernens?
Bei Algorithmen des überwachten Lernens gibt es eine Eingabe und eine erwartete Ausgabe, wohingegen der Algorithmus beim verstärkenden Lernen selbst entscheiden muss, welche Aktion er als Nächstes durchführen soll.
Anwendungen des verstärkenden Lernens:
- Robotik für Automatisierungszwecke
- Maschinelles Lernen und Datenverarbeitung
Online-Lernen
Es wird auch als inkrementelles Lernen oder Out-of-Core-Lernen bezeichnet. Die Grundlage für diesen Ansatz ist die Annahme, dass sich die Lernumgebung ständig ändert. Online-Lernen bezieht sich auf Modelle des maschinellen Lernens, die ständig auf neue Daten trainiert werden und die Ausgabe vorhersagen, während sie auf neue Daten trainiert werden (im Grunde in Echtzeit). Wann immer das Modell ein neues Beispiel sieht, muss es dieses schnell lernen und sich daran anpassen, um auch dieses neue Beispiel bei der Vorhersage der Ausgabe zu berücksichtigen.
Batch-Lernen
Batch-Lernen bezieht sich auf das Lernen von Daten über Gruppen. Die Daten werden in verschiedenen Stapeln gruppiert und verschiedene Muster werden daraus extrahiert. Diese Muster werden vom Modell im Laufe der Zeit gelernt.
Modellbasiertes Lernen
Alle Überlegungen zu einem bestimmten Problem in einem bestimmten Bereich werden in Form eines Modells umgesetzt. Wenn das Modell auf neue Daten stößt, werden Muster erkannt, und diese Muster werden verwendet, um Vorhersagen über die neu aufgetretenen Daten zu treffen.
Instanzbasiertes Lernen
Instanzbasiertes Lernen kann einfach als Clustering- und Regressionsalgorithmus verstanden werden, dessen Ergebnis eine Klassenbezeichnung oder eine Vorhersage ist. Diese Vorhersage oder Kennzeichnung basiert darauf, wie ähnlich die nächstgelegene Abfrage der aktuellen Abfrage im Datensatz ist.
Die LenovoPRO Community hat sich mit KnowledgeHut zusammengetan, um unseren Mitgliedern wertvolle Lernressourcen zur Verfügung zu stellen, darunter auch die folgende Tutorial-Serie zum Thema Maschinelles Lernen!
Diese Kapitel wurden ursprünglich auf KnowledgeHut unter der folgenden URL veröffentlicht:
- https://www.knowledgehut.com/tutorials/machine-learning
- https://www.knowledgehut.com/tutorials/machine-learning/machine-learning-terminologies
- https://www.knowledgehut.com/tutorials/machine-learning/machine-learning-demystifying
Wenn Sie sich weiterbilden möchten, um Ihre Karriere voranzutreiben, besuchen Sie noch heute Knowledgehut - und Mitglieder der LenovoPRO Community erhalten 20 % Rabatt auf Ihren ersten Kurs auf der Website (verwenden Sie den Promo-Code LENOVO)
Was denken Sie über maschinelles Lernen? Sind Sie damit vertraut, wenn es um Ihre Geschäftspraktiken geht?
Hinterlassen Sie Ihre Kommentare unten, um die Diskussion zu eröffnen!