Was ist Machine Learning? Definition, Typen und Beispiele

Read in English (Auf Englisch lessen).

Machine Learning ist ein Teilbereich der künstlichen Intelligenz, der Algorithmen verwendet, die auf Datensätzen trainiert werden, um Modelle zu erstellen, die es Maschinen ermöglichen, Aufgaben auszuführen, die sonst nur für Menschen möglich wären, wie z. B. die Kategorisierung von Bildern, die Analyse von Daten oder die Vorhersage von Preisschwankungen.

Heutzutage ist Machine Learning eine der gängigsten Formen der künstlichen Intelligenz und bildet die Grundlage für viele der digitalen Güter und Dienstleistungen, die wir täglich nutzen. 

In diesem Artikel erfahren Sie mehr darüber, was Machine Learning ist, wie es funktioniert, welche Arten es gibt und wie es in der realen Welt eingesetzt wird. Wir werfen einen Blick auf die Vorteile und Gefahren von Machine Learning, und am Ende finden Sie einige kostengünstige, flexible Kurse, die Ihnen helfen können, noch mehr über maschinelles Lernen zu lernen. 

Einsteigerfreundliche Kurse für Machine Learning

Möchten Sie mehr über Machine Learning lernen, wissen aber nicht, wo Sie anfangen sollen? Dann sollten Sie sich noch heute für einen dieser anfängerfreundlichen Kurse für Machine Learning auf Coursera anmelden:

In der Open.AI and Stanford's Machine Learning Specialization beherrschen Sie grundlegende KI-Konzepte und entwickeln praktische Machine-Learning-Fähigkeiten in nur zwei Monaten.

Der Kurs University of London's Machine Learning for All führt Sie in die Machine Learning-Grundlagen ein und leitet Sie an, ein maschinelles Lernmodell mit einem Datensatz auf einer nicht programmierbaren Plattform zu trainieren.

Was ist Machine Learning?

Machine Learning ist ein Teilbereich der künstlichen Intelligenz (KI), der Algorithmen verwendet, die auf Datensätzen trainiert werden, um selbstlernende Modelle zu erstellen, die in der Lage sind, ohne menschliches Eingreifen Ergebnisse vorherzusagen und Informationen zu klassifizieren. Machine Learning wird heute für eine Vielzahl von kommerziellen Zwecken eingesetzt, z. B. um Verbrauchern auf der Grundlage ihrer früheren Einkäufe Produkte vorzuschlagen, Börsenschwankungen vorherzusagen und Texte von einer Sprache in eine andere zu übersetzen. 

Im allgemeinen Sprachgebrauch werden die Begriffe Machine Learning und Künstliche Intelligenz oft synonym verwendet, da Machine Learning für KI-Zwecke in der heutigen Welt weit verbreitet ist. Die beiden Begriffe unterscheiden sich jedoch deutlich voneinander. Während KI sich auf den allgemeinen Versuch bezieht, Maschinen zu schaffen, die zu menschenähnlichen kognitiven Fähigkeiten fähig sind, bezieht sich Machine Learning speziell auf die Verwendung von Algorithmen und Datensätzen zu diesem Zweck.

Beispiele und Anwendungsfälle

Machine Learning ist in der Regel die gängigste Art der KI-Technologie, die heute weltweit eingesetzt wird. Einige der häufigsten Beispiele für machine Learning, mit denen Sie in Ihrem Alltag vielleicht schon zu tun hatten, sind:

• Empfehlungsprogramme, die Ihnen Produkte, Lieder oder Fernsehsendungen vorschlagen, wie z. B. bei Amazon, Spotify oder Netflix;

• Spracherkennungssoftware, mit der Sie Sprachnotizen in Text umwandeln können;

• Betrugserkennungsdienste einer Bank zeigen verdächtige Transaktionen automatisch an; 

• Selbstfahrende Autos und Fahrerassistenzfunktionen, wie die Erkennung des toten Winkels und automatisches Anhalten, verbessern die allgemeine Fahrzeugsicherheit. 

Lernen Sie mehr über die realen Anwendungen des machine Learnings in diesem Vortrag von Stanford und DeepLearning.AI's Spezialisierung Maschinelles Lernen:

Wie funktioniert maschinelles Lernen?  

Im Kern verwendet die Methode einfach Algorithmen – im Wesentlichen Listen von Regeln – die anhand früherer Datensätze angepasst und verfeinert werden, um Vorhersagen und Kategorisierungen zu treffen, wenn sie mit neuen Daten konfrontiert werden. So kann beispielsweise ein Maschinenlernalgorithmus auf einem Datensatz "trainiert" werden, der aus Tausenden von Blumenbildern besteht, die mit den verschiedenen Blumentypen gekennzeichnet sind, sodass er dann eine Blume auf einem neuen Foto anhand der Unterscheidungsmerkmale, die er von anderen Bildern gelernt hat, korrekt identifizieren kann. 

Um sicherzustellen, dass solche Algorithmen effektiv arbeiten, müssen sie jedoch in der Regel viele Male verfeinert werden, bis sie eine umfassende Liste von Anweisungen gesammelt haben, die es ihnen ermöglichen, korrekt zu funktionieren. Algorithmen, die ausreichend trainiert wurden, werden schließlich zu Maschinenlernmodellen, d. h. zu Algorithmen, die für bestimmte Aufgaben wie das Sortieren von Bildern, die Vorhersage von Immobilienpreisen oder das Ziehen von Schachzügen trainiert wurden. In einigen Fällen werden Algorithmen übereinander geschichtet, um komplexe Netzwerke zu schaffen, die es ihnen ermöglichen, immer komplexere, differenziertere Aufgaben zu erfüllen, wie z. B. die Generierung von Text und die Steuerung von Chatbots durch eine Methode, die als deep learning bekannt ist.

Obwohl die dem Machine Learning zugrunde liegenden allgemeinen Prinzipien relativ einfach sind, können die Modelle, die am Ende des Prozesses entstehen, sehr ausgefeilt und komplex sein.

Machine Learning vs. Deep Learning 

Wenn Sie sich mit Machine Learning befassen, werden Sie wahrscheinlich auch auf den Begriff Deep Learning stoßen. Obwohl die beiden Begriffe miteinander verbunden sind, unterscheiden sie sich auch voneinander. 

Machine Learning bezieht sich auf die allgemeine Verwendung von Algorithmen und Daten zur Entwicklung autonomer oder halbautonomer Maschinen. Deep Learning ist ein Teilbereich des maschinellen Lernens, bei dem Algorithmen in neuronale Netze geschichtet werden, die dem menschlichen Gehirn ähneln, sodass Maschinen immer komplexere Aufgaben ausführen können.

Arten des Machine Learning 

Es gibt verschiedene Arten des Machine Learnings, die die vielen verschiedenen digitalen Güter und Dienstleistungen, die wir täglich nutzen, antreiben. Während jede dieser verschiedenen Arten versucht, ähnliche Ziele zu erreichen – Maschinen und Anwendungen zu schaffen, die ohne menschliche Aufsicht agieren können – unterscheiden sich die genauen Methoden, die sie verwenden, etwas.

Damit Sie sich ein besseres Bild davon machen können, wie sich diese Typen voneinander unterscheiden, finden Sie hier einen Überblick über die vier verschiedenen Arten des Machine Learning, die heute hauptsächlich eingesetzt werden.

1. Supervised Machine Learning 

Beim Supervised Machine Learning werden Algorithmen auf beschrifteten Datensätzen trainiert, die Tags enthalten, die jeden Teil der Daten beschreiben. Mit anderen Worten, die Algorithmen werden mit Daten gefüttert, die einen Antwortschlüssel enthalten, der beschreibt, wie die Daten zu interpretieren sind. Einem Algorithmus können beispielsweise Bilder von Blumen mit Markierungen für jeden Blumentyp vorgelegt werden, sodass er die Blume besser identifizieren kann, wenn ihm ein neues Foto vorgelegt wird. 

Supervised Machine Learning wird häufig zur Erstellung von maschinellen Lernmodellen verwendet, die für Vorhersage- und Klassifizierungszwecke eingesetzt werden.

2. Unsupervised Machine Learning 

Beim Unsupervised Machine Learning werden unmarkierte Datensätze verwendet, um Algorithmen zu trainieren. Dabei wird der Algorithmus mit Daten gefüttert, die keine Markierungen enthalten, sodass er selbständig und ohne Anleitung von außen Muster erkennen muss. Beispielsweise kann ein Algorithmus mit einer großen Menge an nicht beschrifteten Nutzerdaten von einer Social-Media-Website gefüttert werden, um Verhaltenstrends auf der Plattform zu erkennen. 

Unsupervised Machine Learning wird häufig von Forschern und Datenwissenschaftlern verwendet, um schnell und effizient Muster in großen, unmarkierten Datensätzen zu erkennen.

3. Semi-supervised Machine Learning 

Beim semi-supervised Machine Learning werden sowohl ungelabelte als auch gelabelte Datensätze zum Trainieren von Algorithmen verwendet. Im Allgemeinen werden beim semi-supervised Machine Learning Algorithmen zunächst mit einer kleinen Menge an gekennzeichneten Daten gefüttert, um ihre Entwicklung zu steuern, und dann mit einer viel größeren Menge an nicht gekennzeichneten Daten, um das Modell zu vervollständigen. Beispielsweise kann ein Algorithmus mit einer kleineren Menge an gekennzeichneten Sprachdaten gefüttert und dann mit einer viel größeren Menge an nicht gekennzeichneten Sprachdaten trainiert werden, um ein maschinelles Lernmodell zu erstellen, das zur Spracherkennung fähig ist 

Semi-supervised Machine Learning wird häufig eingesetzt, um Algorithmen für Klassifizierungs- und Vorhersagezwecke zu trainieren, wenn keine großen Mengen markierter Daten zur Verfügung stehen. 

4. Reinforcement Learning (Verstärkendes Lernen)

Verstärkendes Lernen nutzt Versuch und Irrtum, um Algorithmen zu trainieren und Modelle zu erstellen. Während des Trainingsprozesses agieren die Algorithmen in bestimmten Umgebungen und erhalten dann nach jedem Ergebnis ein Feedback. Ähnlich wie ein Kind lernt der Algorithmus langsam ein Verständnis für seine Umgebung und beginnt, seine Handlungen zu optimieren, um bestimmte Ergebnisse zu erzielen. Ein Algorithmus kann beispielsweise durch aufeinanderfolgende Schachpartien optimiert werden, sodass er aus seinen vergangenen Erfolgen und Misserfolgen bei jeder Partie lernen kann.

Verstärktes Lernen wird häufig verwendet, um Algorithmen zu erstellen, die effektiv eine Reihe von Entscheidungen oder Handlungen treffen müssen, um ihre Ziele zu erreichen, wie z.B. ein Spiel zu spielen oder einen ganzen Text zusammenzufassen. 

Vorteile und Risiken von Machine Learning 

Machine Learning verändert bereits einen Großteil unserer Welt zum Besseren. Heute wird die Methode verwendet, um Modelle zu erstellen, die in der Lage sind, Krebsgeschwüre in medizinischen Scans zu erkennen, betrügerische Transaktionen aufzudecken und sogar Menschen beim Sprachenlernen zu helfen. Aber wie bei jeder neuen Technologie, die die Gesellschaft verändert, gibt es auch potenzielle Gefahren, über die man Bescheid wissen sollte.

Auf einen Blick sind hier einige der wichtigsten Vorteile und potenziellen Nachteile des maschinellen Lernens aufgeführt: 

Sie haben Fragen zur Karriere? Wir haben Antworten.

Abonnieren Sie den Coursera  Career Chat auf LinkedIn, um unseren wöchentlichen Newsletter mit weiteren Einblicken in die Arbeitswelt, Tipps und Updates von unserem internen Team zu erhalten.

Erfahren Sie mehr mit Coursera 

Künstliche Intelligenz und Machine Learning verändern die Art und Weise, wie wir heute leben und arbeiten, rasant. Unabhängig davon, ob Sie eine Karriere im Bereich der künstlichen Intelligenz anstreben oder einfach nur mehr über diesen Bereich erfahren möchten, können Sie von einem flexiblen, kostengünstigen Kurs zu Machine Learning auf Coursera profitieren.

In der Spezialisierung Maschinelles Lernen von DeepLearning.AI und Stanford beherrschen Sie die grundlegenden KI-Konzepte und entwickeln praktische Fähigkeiten im Bereich des maschinellen Lernens in dem einsteigerfreundlichen, dreiteiligen Programm des KI-Visionärs Andrew Ng.

Im IBM Maschinelles Lernen (berufsbezogenes Zertifikat) von IBM beherrschen Sie die aktuellsten praktischen Fähigkeiten und Kenntnisse, die Experten für Machine Learning in ihrer täglichen Arbeit einsetzen, einschließlich der Verwendung von supervised und unsupervised Learning, um Modelle für eine Vielzahl von realen Zwecken zu erstellen.