Wenn Deep Learning eine Teilmenge des Machine Learnings ist, was ist dann eigentlich Machine Learning? Ganz allgemein ist es das, was der Name besagt. Machine Learning ist ein Teilgebiet der Informatik, das sich damit befasst, dass Maschinen lernen, Aufgaben zu erledigen, für die sie nicht explizit programmiert wurden. Oder kurz und bündig: Maschinen beobachten ein Muster und versuchen, es irgendwie zu imitieren, entweder direkt oder indirekt: Machine Learning = Affe sieht, Affe tut.
Überwachtes Lernen
Ich erwähne hier direktes und indirektes Imitieren, um die Analogie zu den beiden Haupttypen des Machine Learnings aufzuzeigen: überwachtes und unüberwachtes Lernen. Überwachtes Machine Learning ist das direkte Imitieren des Musters, das einem Datensatz zu eigen ist, bei einem anderen Datensatz. Es ist der Versuch, eine Eingabedatenmenge in eine Ausgabedatenmenge umzuwandeln. Das kann eine unglaublich mächtige und nützliche Fähigkeit sein. Seht euch die folgenden Beispiele an (die Eingabedatenmengen sind fett gedruckt, die Ausgabedatenmengen kursiv):
- Verwendung der Pixel eines Bilds, um das Vorhandensein oder das Fehlen einer Katze zu erkennen
- Verwendung der Filme, die euch gefallen haben, um Filme vorherzusagen, die euch wahrscheinlich gefallen werden
- Verwendung der Wörter, die jemand benutzt, um festzustellen, ob die Person fröhlich oder traurig ist
- Verwendung der Daten einer Wetterstation, um die Regenwahrscheinlichkeit vorherzusagen
- Verwendung von Motorsensoren, um die optimalen Einstellungen zu ermitteln
- Verwendung von Nachrichtenmeldungen, um die morgigen Aktienkurse vorherzusagen
- Verwendung eines Eingabewerts zur Berechnung des doppelten Werts
- Verwendung der Rohdaten einer Audiodatei, um eine Transkription des Inhalts zu erstellen
All diese Aufgaben gehören zum überwachten Lernen. Der Machine-Learning-Algorithmus versucht stets, das Muster, das die beiden Datenmengen verbindet, so zu imitieren, dass die eine Datenmenge zur Vorhersage der anderen verwendet werden kann. Stellt euch vor, ihr könntet bei all diesen Beispielen die Ausgabedatenmenge nur anhand der Eingabedatenmenge vorhersagen – das wäre schon eine beachtliche Leistung.
Dieser Artikel ist ein Auszug aus dem Buch „Neuronale Netze und Deep Learning kapieren“ von Andrew W. Task. Alle Infos zum Buch, das Inhaltsverzeichnis und eine kostenlose Leseprobe findet ihr bei uns im Shop.