Daten als Grundlage des Lernens<\/span><\/h2>\nAuch Maschinen lernen durch Erfahrung. Die Schwierigkeit ist also zun\u00e4chst, diese Erfahrung in Form von Daten f\u00fcr Computer zu repr\u00e4sentieren. Angelehnt an uns Menschen finden die meisten maschinellen Lernprozesse deswegen anhand von konkreten Beispielen statt. Diese sollen jedoch nicht nur vom Computer auswendig gelernt werden, er muss vielmehr komplexe Muster und Zusammenh\u00e4nge in den Daten erkennen und verstehen. In der Regel gibt es in den Daten eine konkrete, gemessene Gr\u00f6\u00dfe oder Eigenschaft, die durch das System vorhergesagt werden soll, das sogenannte Label<\/b>. Es wurden jedoch auch Spezialformen des Maschinellen Lernens entwickelt, um verschieden ausgestalteten Datenlagen zu begegnen. Diese erm\u00f6glichen zum Beispiel das Lernen aus Daten ohne Labels<\/a>, oder das aktive Abfragen der Daten<\/a> im Verlauf des Lernprozesses.<\/p>\nEin einfaches Beispiel: Es soll ein System entworfen werden, welches anhand einiger Eigenschaften ein Tier entweder als Hund oder als Katze identifiziert (rechte Spalte). Es liegen einige Beispiele vor, aber nat\u00fcrlich m\u00fcssen auch Tiere unterschieden werden k\u00f6nnen, die von diesen Beispielen abweichen.<\/p>\n<\/p>\n\n\n![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/\/Tabelle_Wie_lernen_Maschinen-1024x210.png\" "\\"\\"")
\u00a9 ML2R<\/figcaption><\/figure>\n\n\n\nF\u00fcr die Vorhersage werden die vorhandenen Informationen im Computer mathematisch und statistisch verarbeitet. Im Maschinellen Lernen werden diese Rechenabl\u00e4ufe flexibel entworfen, damit sich das System an die vorhandenen Daten anpassen kann. Die Stellschrauben dieser Systemabl\u00e4ufe bezeichnet man als Parameter<\/strong>. Unter Training<\/strong> versteht man dann die schrittweise Ver\u00e4nderung der Parameter mit dem Ziel, dass das System die Aufgabe immer besser l\u00f6sen kann. F\u00fcr das Training werden Algorithmen<\/strong>, also bestimmte Folgen von Rechenschritten, genutzt. Die Gesamtheit der Parameter und ihrer Zusammenh\u00e4nge wird oft als Modell<\/strong> bezeichnet, da es gewisserma\u00dfen die Trainingsdaten modelliert. Es gibt viele unterschiedliche Klassen von Modellen, die jeweils auch eigene Algorithmen zum Training mit sich bringen. Zu den bekanntesten Methoden z\u00e4hlen Regressionen<\/strong>, Entscheidungsb\u00e4ume<\/strong>, Random Forests<\/strong>, Support Vector Machines<\/strong>, k\u00fcnstliche neuronale Netze<\/strong>, und Probabilistische Graphische Modelle, <\/strong>insbesondere auch weil sie verh\u00e4ltnism\u00e4\u00dfig einfach zu benutzen sind.<\/strong><\/p>\n\n\n\nIn unserem angebrachten Beispiel k\u00f6nnte beispielsweise ein Parameter steuern, dass Tiere mit einem Gewicht \u00fcber 10 Kilogramm als Hunde klassifiziert werden, da kein gegenteiliger Fall in den Daten zu finden ist. Zu Beginn des Trainings w\u00fcrde dieser Parameter zuf\u00e4llig gew\u00e4hlt werden, und sich dann im Verlauf des Lernprozesses zunehmend einem sinnvollen Wert ann\u00e4hern. Mithilfe von mehr Parametern lassen sich hier die Daten noch besser unterscheiden.<\/p>\n\n\n\n
Optimierung und Validierung<\/h2>\n\n\n\n
Um das Modell schrittweise zu verbessern, muss man seine G\u00fcte bestimmen. Daf\u00fcr kann man zum Beispiel die Aufgabe f\u00fcr die vorliegenden Trainingsdaten durch das Modell l\u00f6sen lassen, und untersuchen, ob die vorhergesagten Labels mit den echten Labels \u00fcbereinstimmen. Die mathematische Definition dieser Idee bezeichnet man in der Regel als Zielfunktion<\/strong>, die abh\u00e4ngig ist von den Parametern und beobachteten Daten. Mithilfe von mathematischer Optimierung<\/strong><\/a> lassen sich dann die Parameter basierend auf der Zielfunktion schrittweise verbessern.<\/p>\n\n\n\nEin fertig trainiertes Modell kann man nun nutzen, um Vorhersagen f\u00fcr Daten zu machen, bei denen das Label unbekannt ist. Wie kann man jedoch die G\u00fcte f\u00fcr unbekannte Daten bestimmen, oder gar zwei trainierte Modelle miteinander vergleichen? Diese Fragen sind der Grund, warum die vorliegenden Daten mit Label in der Regel in Trainings- <\/strong>und Testdaten <\/strong>unterteilt werden. Die Trainingsdaten werden lediglich genutzt, um das Modell zu trainieren. Anschlie\u00dfend wird das Modell auf die Testdaten angewendet, f\u00fcr die ebenfalls Labels vorhanden sind. Diese Daten wurden im Training nicht verwendet und geben deshalb Hinweis auf die G\u00fcte des Modells f\u00fcr unbekannte Daten. Man bezeichnet diesen Prozess als Validierung. <\/strong>In der unten stehenden Grafik sind die Teilschritte im Maschinellen Lernen noch einmal \u00fcberschaubar zusammengefasst.<\/p>\n\n\n\n![\"-](\"https:\/\/lamarr-institute.org\/wp-content\/uploads\/Pipeline.gif\" "\\"\\"")
\u00a9 ML2R<\/figcaption><\/figure>\n\n\n\nDamit sind nun einige wichtige, grundlegende Aspekte des Maschinellen Lernens erl\u00e4utert. Ihr Interesse f\u00fcr Fragen rund um Technologien und Themen des Maschinellen Lernens und der K\u00fcnstlichen Intelligenz wurde geweckt? Verfolgen Sie auch weiterhin den Blog des Kompetenzzentrums Maschinelles Lernen Rhein-Ruhr (ML2R). Ob Anwender oder Experte, die Forscher*innen des Kompetenzzentrums geben ihre Expertise weiter. Lesen Sie zum Beispiel Beitr\u00e4ge mit der Kennzeichnung \u201cGrundlagen\u201d, um Wissen im Bereich maschineller Lernverfahren systematisch aufzubauen. Haben Sie Fragen oder Anmerkungen? Nehmen Sie gern Kontakt<\/a> mit dem ML2R-Team auf!<\/p>\n","protected":false},"excerpt":{"rendered":"Maschinelles Lernen ist l\u00e4ngst zum festen Bestandteil unserer Welt geworden, sie ver\u00e4ndert unser Leben und die Gesellschaft. Wir erkl\u00e4ren hier die grundlegenden Begriffe und Konzepte dieser neuartigen Technologie.<\/p>\n","protected":false},"author":9,"featured_media":3886,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390],"blog-tag":[1443,1533,1553,1560],"class_list":["post-4079","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-tag-aktives-lernen","blog-tag-klassifikation","blog-tag-ml-arten","blog-tag-optimierung"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4079","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4079\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/3886"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4079"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4079"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4079"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Ein einfaches Beispiel: Es soll ein System entworfen werden, welches anhand einiger Eigenschaften ein Tier entweder als Hund oder als Katze identifiziert (rechte Spalte). Es liegen einige Beispiele vor, aber nat\u00fcrlich m\u00fcssen auch Tiere unterschieden werden k\u00f6nnen, die von diesen Beispielen abweichen.<\/p>\n<\/p>\n\n\n F\u00fcr die Vorhersage werden die vorhandenen Informationen im Computer mathematisch und statistisch verarbeitet. Im Maschinellen Lernen werden diese Rechenabl\u00e4ufe flexibel entworfen, damit sich das System an die vorhandenen Daten anpassen kann. Die Stellschrauben dieser Systemabl\u00e4ufe bezeichnet man als Parameter<\/strong>. Unter Training<\/strong> versteht man dann die schrittweise Ver\u00e4nderung der Parameter mit dem Ziel, dass das System die Aufgabe immer besser l\u00f6sen kann. F\u00fcr das Training werden Algorithmen<\/strong>, also bestimmte Folgen von Rechenschritten, genutzt. Die Gesamtheit der Parameter und ihrer Zusammenh\u00e4nge wird oft als Modell<\/strong> bezeichnet, da es gewisserma\u00dfen die Trainingsdaten modelliert. Es gibt viele unterschiedliche Klassen von Modellen, die jeweils auch eigene Algorithmen zum Training mit sich bringen. Zu den bekanntesten Methoden z\u00e4hlen Regressionen<\/strong>, Entscheidungsb\u00e4ume<\/strong>, Random Forests<\/strong>, Support Vector Machines<\/strong>, k\u00fcnstliche neuronale Netze<\/strong>, und Probabilistische Graphische Modelle, <\/strong>insbesondere auch weil sie verh\u00e4ltnism\u00e4\u00dfig einfach zu benutzen sind.<\/strong><\/p>\n\n\n\n In unserem angebrachten Beispiel k\u00f6nnte beispielsweise ein Parameter steuern, dass Tiere mit einem Gewicht \u00fcber 10 Kilogramm als Hunde klassifiziert werden, da kein gegenteiliger Fall in den Daten zu finden ist. Zu Beginn des Trainings w\u00fcrde dieser Parameter zuf\u00e4llig gew\u00e4hlt werden, und sich dann im Verlauf des Lernprozesses zunehmend einem sinnvollen Wert ann\u00e4hern. Mithilfe von mehr Parametern lassen sich hier die Daten noch besser unterscheiden.<\/p>\n\n\n\n Um das Modell schrittweise zu verbessern, muss man seine G\u00fcte bestimmen. Daf\u00fcr kann man zum Beispiel die Aufgabe f\u00fcr die vorliegenden Trainingsdaten durch das Modell l\u00f6sen lassen, und untersuchen, ob die vorhergesagten Labels mit den echten Labels \u00fcbereinstimmen. Die mathematische Definition dieser Idee bezeichnet man in der Regel als Zielfunktion<\/strong>, die abh\u00e4ngig ist von den Parametern und beobachteten Daten. Mithilfe von mathematischer Optimierung<\/strong><\/a> lassen sich dann die Parameter basierend auf der Zielfunktion schrittweise verbessern.<\/p>\n\n\n\n Ein fertig trainiertes Modell kann man nun nutzen, um Vorhersagen f\u00fcr Daten zu machen, bei denen das Label unbekannt ist. Wie kann man jedoch die G\u00fcte f\u00fcr unbekannte Daten bestimmen, oder gar zwei trainierte Modelle miteinander vergleichen? Diese Fragen sind der Grund, warum die vorliegenden Daten mit Label in der Regel in Trainings- <\/strong>und Testdaten <\/strong>unterteilt werden. Die Trainingsdaten werden lediglich genutzt, um das Modell zu trainieren. Anschlie\u00dfend wird das Modell auf die Testdaten angewendet, f\u00fcr die ebenfalls Labels vorhanden sind. Diese Daten wurden im Training nicht verwendet und geben deshalb Hinweis auf die G\u00fcte des Modells f\u00fcr unbekannte Daten. Man bezeichnet diesen Prozess als Validierung. <\/strong>In der unten stehenden Grafik sind die Teilschritte im Maschinellen Lernen noch einmal \u00fcberschaubar zusammengefasst.<\/p>\n\n\n\n Damit sind nun einige wichtige, grundlegende Aspekte des Maschinellen Lernens erl\u00e4utert. Ihr Interesse f\u00fcr Fragen rund um Technologien und Themen des Maschinellen Lernens und der K\u00fcnstlichen Intelligenz wurde geweckt? Verfolgen Sie auch weiterhin den Blog des Kompetenzzentrums Maschinelles Lernen Rhein-Ruhr (ML2R). Ob Anwender oder Experte, die Forscher*innen des Kompetenzzentrums geben ihre Expertise weiter. Lesen Sie zum Beispiel Beitr\u00e4ge mit der Kennzeichnung \u201cGrundlagen\u201d, um Wissen im Bereich maschineller Lernverfahren systematisch aufzubauen. Haben Sie Fragen oder Anmerkungen? Nehmen Sie gern Kontakt<\/a> mit dem ML2R-Team auf!<\/p>\n","protected":false},"excerpt":{"rendered":" Maschinelles Lernen ist l\u00e4ngst zum festen Bestandteil unserer Welt geworden, sie ver\u00e4ndert unser Leben und die Gesellschaft. Wir erkl\u00e4ren hier die grundlegenden Begriffe und Konzepte dieser neuartigen Technologie.<\/p>\n","protected":false},"author":9,"featured_media":3886,"template":"","meta":{"_acf_changed":false,"footnotes":""},"blog-category":[1416,390],"blog-tag":[1443,1533,1553,1560],"class_list":["post-4079","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-tag-aktives-lernen","blog-tag-klassifikation","blog-tag-ml-arten","blog-tag-optimierung"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4079","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4079\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/3886"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4079"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4079"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4079"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Optimierung und Validierung<\/h2>\n\n\n\n