Kapitel 1

Einführung in Machine Learning

Mehr Daten, mehr Fragen, bessere Antworten

Mit Algorithmen des Machine Learning lassen sich natürliche Muster in Daten aufspüren, die Erkenntnisse liefern und Ihnen helfen, bessere und fundiertere Entscheidungen und Vorhersagen zu treffen. Tagtäglich kommen sie zum Einsatz, um maßgebliche Entscheidungen in der medizinischen Diagnostik, im Aktienhandel, bei der Vorhersage von Energielasten und vielem mehr zu treffen. So vertrauen Medienangebote auf das Machine Learning, um Millionen von Optionen zu durchforsten und Ihnen Musik- oder Filmempfehlungen zu präsentieren. Einzelhandelsunternehmen verschaffen sich damit Einblicke in das Kaufverhalten ihrer Kunden.

Grafik eines Maschinenarms

Automobil-, Fahrzeug- und Fertigungsindustrie, zur vorausschauenden Instandhaltung

Grafik von zwei sich überschneidenden Diagrammen mit Steigungen und Gefällen

Computational Finance, zur Kreditbewertung und Algorithmisches Trading

Grafik eines leeren Gesichts mit Pluszeichen

Bildverarbeitung und Computer Vision zur Gesichts- und Objekterkennung

Grafik einer DNA

Computational Biology, zur Tumorerkennung, Arzneimittelentdeckung und DNA-Sequenzierung

Grafik eines Blitzes

Energieerzeugung, für Preis- und Lastprognosen

Grafik mit zwei Sprechblasen

Verarbeitung natürlicher Sprache

Praktische Anwendungen:

Dauer des Videos 3:51

Funktionsweise des Machine Learning

Beim Machine Learning kommen zwei unterschiedliche Techniken zum Einsatz: das überwachte Lernen, bei dem ein Modell anhand bekannter Eingabe- und Ausgabedaten trainiert wird, damit es künftige Ergebnisse vorhersagen kann, und das nicht überwachte Lernen, bei dem nach versteckten Mustern oder intrinsischen Strukturen in den Eingabedaten gesucht wird.

Wie entscheidet man sich für einen Algorithmus?

Die Wahl des richtigen Algorithmus kann auf den ersten Blick kompliziert erscheinen – es gibt Dutzende von überwachten und nicht überwachten Algorithmen zum Machine Learning und jeder verfolgt einen anderen Lernansatz. Eine Patentlösung gibt es leider nicht. Die Suche nach dem richtigen Algorithmus ist zum Teil eine Herausforderung, die nur durch Ausprobieren zu bewältigen ist – selbst sehr erfahrene Datenwissenschaftler können nicht pauschal sagen, ob ein Algorithmus funktioniert, ohne ihn vorher auszuprobieren. Die Wahl des Algorithmus hängt aber auch von der Größe und Art der verwendeten Daten ab, von den Erkenntnissen, die Sie aus den Daten gewinnen wollen, und der geplanten Nutzung dieser Erkenntnisse.

  • Support-Vektor-Maschinen
  • Diskriminanzanalyse
  • Naive Bayes
  • Nächster Nachbar
  • Lineare Regression, GLM
  • SVR, GPR
  • Ensemble-Methoden
  • Entscheidungsbäume
  • Neuronale Netze
  • K-Means, K-Medoids
  • Fuzzy C-Means
  • Hierarchisch
  • Gauß'sche Mischung
  • Neuronale Netze
  • Hidden Markov Model

Wann empfiehlt sich der Einsatz von Machine Learning?

Ziehen Sie den Einsatz von Machine Learning in Betracht, wenn Sie eine komplexe Aufgabe oder ein Problem mit großen Datenmengen und vielen Variablen lösen müssen, aber keine geeignete Formel oder Gleichung vorliegt. Das Machine Learning ist zum Beispiel eine geeignete Lösung, wenn Sie solche Situationen angehen müssen.

Selbst geschriebene Regeln und Gleichungen sind zu komplex – wie bei der Gesichts- und Spracherkennung.

Die Daten ändern sich permanent, und das Programm muss sich entsprechend anpassen – wie beispielsweise beim automatischen Handel, bei der Vorhersage des Energiebedarfs und bei der Prognose von Einkaufstrends.

Die Regeln einer Aufgabe ändern sich ständig – etwa bei der Betrugserkennung anhand von Transaktionsdaten.

Ebook thumbnail

Holen Sie sich das komplette E-Book

E-Book herunterladen