Maschinelles Lernen (ML) ist eine technologische Errungenschaft, die sich in diversen Anwendungsbereichen als äußerst wirksam erweist.
Das maschinelle Lernen steht in enger Beziehung zur künstlichen Intelligenz und zum Deep Learning. In unserem sich fortlaufend entwickelnden Technologiezeitalter ist es nun möglich, zukünftige Entwicklungen vorherzusagen und mithilfe von ML unsere Herangehensweisen anzupassen.
Dadurch sind wir nicht mehr auf manuelle Methoden beschränkt; heutzutage ist fast jede Tätigkeit automatisierbar. Es gibt eine Vielzahl von Algorithmen für maschinelles Lernen, die für spezifische Aufgaben entwickelt wurden. Diese Algorithmen sind in der Lage, komplexe Probleme zu lösen und damit Arbeitszeit einzusparen.
Beispiele hierfür sind das Schachspielen, das Ergänzen von Daten, die Durchführung von Operationen, die Auswahl der optimalen Option aus einer Einkaufsliste und vieles mehr.
Im weiteren Verlauf dieses Artikels werde ich Algorithmen und Modelle des maschinellen Lernens detailliert erläutern.
Legen wir los!
Was genau ist maschinelles Lernen?
Maschinelles Lernen bezeichnet eine Technologie oder Fähigkeit, die es einer Maschine (wie z.B. einem Computer) ermöglicht, durch den Einsatz statistischer Modelle und Algorithmen zu lernen und sich anzupassen, ohne dass eine aufwendige Programmierung erforderlich ist.
Dadurch wird das Verhalten von Maschinen dem menschlichen Verhalten immer ähnlicher. Es handelt sich dabei um eine spezielle Form der künstlichen Intelligenz, welche es Softwareanwendungen erlaubt, genauere Voraussagen zu treffen und verschiedene Aufgaben durch die Nutzung von Daten zu bearbeiten und sich dabei selbstständig zu verbessern.
Angesichts der rapiden Entwicklung der Computertechnologien ist das maschinelle Lernen von heute nicht mehr mit dem von früher vergleichbar. Es hat sich von der Mustererkennung bis zur Lerntheorie weiterentwickelt, um bestimmte Aufgaben auszuführen.
Beim maschinellen Lernen nutzen Computer frühere Berechnungen, um wiederholbare, verlässliche Entscheidungen und Ergebnisse zu erzielen. Man kann also sagen, dass das maschinelle Lernen eine Wissenschaft ist, die eine neue Dynamik gewonnen hat.
Obwohl viele Algorithmen schon lange existieren, ist die Fähigkeit, komplexe Berechnungen mit hoher Geschwindigkeit und wiederholt automatisch auf Big Data anzuwenden, eine relativ neue Entwicklung.
Einige Beispiele aus der Praxis sind:
- Rabattaktionen und Produktvorschläge bei Online-Händlern wie Netflix und Amazon
- Selbstfahrende Autos, wie das stark beworbene Google-Auto
- Aufdeckung von Betrug und das Vorschlagen von Methoden, um solche Probleme zu verhindern
Und viele weitere Anwendungsfälle.
Warum ist maschinelles Lernen wichtig?
Maschinelles Lernen ist ein entscheidendes Konzept, das jeder Unternehmensinhaber in seine Softwareanwendungen integrieren sollte, um das Kundenverhalten, die betrieblichen Muster und andere Aspekte besser zu verstehen. Es unterstützt die Entwicklung neuartiger Produkte.
Viele führende Firmen wie Google, Uber, Instagram und Amazon machen das maschinelle Lernen zu einem zentralen Bestandteil ihrer Geschäftsprozesse. Insbesondere Branchen, die mit großen Datenmengen arbeiten, erkennen die Bedeutung von Modellen für maschinelles Lernen.
Unternehmen können mit dieser Technologie effizienter arbeiten. Branchen wie das Finanzwesen, die Regierung, das Gesundheitswesen, der Einzelhandel, das Transportwesen und die Öl- und Gasindustrie setzen auf maschinelles Lernen, um ihren Kunden einen größeren Nutzen zu bieten.
Wer profitiert von maschinellem Lernen?
Maschinelles Lernen ist heutzutage in unzähligen Anwendungen zu finden. Ein prominentes Beispiel ist das Empfehlungssystem auf Plattformen wie Instagram, Facebook und Twitter.
Facebook verwendet maschinelles Lernen, um die Benutzererfahrung in den Newsfeeds zu personalisieren. Wenn ein Nutzer häufig bei Beiträgen einer bestimmten Kategorie verweilt, wird die Empfehlungsmaschine verstärkt Beiträge dieser Kategorie anzeigen.
Im Hintergrund analysiert die Empfehlungsmaschine das Online-Verhalten der Nutzer anhand ihrer Muster. Der Newsfeed passt sich automatisch an, wenn der Nutzer sein Verhalten ändert.
Zahlreiche Unternehmen nutzen dasselbe Prinzip der Empfehlungsmaschinen, um ihre wichtigen Geschäftsprozesse zu optimieren. Dazu gehören:
- Customer Relationship Management (CRM)-Software: Diese Software nutzt Modelle des maschinellen Lernens, um die E-Mails von Besuchern zu analysieren und das Verkaufsteam zu veranlassen, vorrangig auf die wichtigsten Nachrichten zu reagieren.
- Business Intelligence (BI): Anbieter von Analysen und BI-Lösungen verwenden diese Technologie, um wichtige Datenpunkte, Muster und Anomalien zu identifizieren.
- Human Resource Information Systems (HRIS): HRIS verwendet maschinelle Lernmodelle in ihrer Software, um Bewerbungen zu filtern und die besten Kandidaten für bestimmte Positionen zu erkennen.
- Selbstfahrende Autos: Algorithmen für maschinelles Lernen ermöglichen es Autoherstellern, Objekte zu erkennen oder das Verhalten des Fahrers zu erfassen, um bei Bedarf zu warnen und Unfälle zu vermeiden.
- Virtuelle Assistenten: Intelligente Assistenten kombinieren überwachte und nicht überwachte Modelle, um Sprache zu interpretieren und den Kontext zu verstehen.
Was sind Modelle für maschinelles Lernen?
Ein ML-Modell ist eine Software oder Applikation, die darauf ausgelegt ist, bestimmte Muster zu bewerten und zu erkennen. Es wird mit Daten und Algorithmen trainiert, um aus diesen Daten zu lernen.
Nehmen wir an, Sie möchten eine Anwendung entwickeln, die Emotionen anhand von Gesichtsausdrücken erkennen soll. Dazu müssen Sie das Modell mit einer Vielzahl von Bildern von Gesichtern mit verschiedenen Emotionen füttern und das Modell entsprechend trainieren. Anschließend können Sie dasselbe Modell verwenden, um die Stimmung eines Benutzers zu bestimmen.
Vereinfacht ausgedrückt ist ein Modell des maschinellen Lernens eine reduzierte Darstellung eines Prozesses. Es ist eine einfache Methode, um etwas zu beurteilen oder einem Kunden Empfehlungen auszusprechen. Alle Funktionen innerhalb des Modells dienen als Annäherung.
Wenn wir zum Beispiel eine Weltkugel zeichnen, geben wir ihr eine Kugelform. Die tatsächliche Weltkugel ist aber bekanntlich nicht ganz kugelförmig. Wir wählen die Form, um etwas zu konstruieren. Ähnlich funktionieren auch ML-Modelle.
Lassen Sie uns nun die verschiedenen Modelle und Algorithmen für maschinelles Lernen untersuchen.
Verschiedene Typen von Modellen des maschinellen Lernens
Sämtliche Modelle des maschinellen Lernens können in überwachtes, nicht überwachtes und bestärkendes Lernen kategorisiert werden. Überwachtes und nicht überwachtes Lernen sind wiederum in weitere Kategorien unterteilt. Wir werden jede dieser Kategorien im Detail untersuchen.
#1. Überwachtes Lernen
Beim überwachten Lernen wird ein einfaches Modell des maschinellen Lernens eingesetzt, welches eine grundlegende Funktion erlernt, die Eingaben auf Ausgaben abbildet. Wenn Sie beispielsweise einen Datensatz mit zwei Variablen haben, wobei das Alter als Eingabe und die Größe als Ausgabe dient.
Mit einem überwachten Lernmodell können Sie die Größe einer Person auf Grundlage ihres Alters relativ einfach vorhersagen. Um dieses Lernmodell zu verstehen, müssen die Unterkategorien näher betrachtet werden.
#2. Klassifizierung
Die Klassifizierung ist eine weit verbreitete Methode der prädiktiven Modellierung im maschinellen Lernen, die darauf abzielt, eine Bezeichnung für bestimmte Eingabedaten vorherzusagen. Dazu ist ein Trainingsdatensatz mit zahlreichen Beispielen von Eingaben und Ausgaben erforderlich, aus denen das Modell lernt.
Der Trainingsdatensatz dient dazu, den optimalen Pfad zu finden, um Eingabedatenbeispiele den jeweiligen Klassenbezeichnungen zuzuordnen. Der Datensatz stellt also das Problem dar und enthält eine große Anzahl an Ausgangsbeispielen.
Diese Methode wird für Spamfilter, die Dokumentensuche, die Erkennung von Handschrift, die Aufdeckung von Betrug, die Spracherkennung und die Stimmungsanalyse genutzt. Die Ausgabe ist in diesem Fall diskret.
#3. Regression
Bei diesem Modell ist die Ausgabe immer kontinuierlich. Die Regressionsanalyse ist eine statistische Methode zur Modellierung der Beziehung zwischen einer oder mehreren unabhängigen Variablen und einer abhängigen Zielvariablen.
Die Regression ermöglicht es zu verstehen, wie sich die abhängige Variable in Relation zur unabhängigen Variable ändert, während die anderen unabhängigen Variablen unverändert bleiben. Es dient zur Vorhersage von Gehältern, Alter, Temperatur, Preisen und anderen realen Daten.
Die Regressionsanalyse ist eine Methode der „besten Schätzung“, die aus dem Datensatz eine Prognose ableitet. Einfacher ausgedrückt werden verschiedene Datenpunkte in ein Diagramm eingetragen, um den genauesten Wert zu ermitteln.
Beispiel: Die Vorhersage des Flugticketpreises ist eine gängige Regressionsaufgabe.
#4. Nicht überwachtes Lernen
Nicht überwachtes Lernen wird hauptsächlich eingesetzt, um Schlussfolgerungen zu ziehen und Muster aus Eingabedaten zu extrahieren, ohne dass Bezug auf bereits definierte Ergebnisse genommen wird. Diese Technik wird verwendet, um verborgene Datengruppierungen und Muster zu entdecken, ohne dass menschliches Eingreifen erforderlich ist.
Es kann Unterschiede und Gemeinsamkeiten in den Informationen aufdecken, was diese Technik ideal für die Kundensegmentierung, die explorative Datenanalyse, die Muster- und Bilderkennung sowie Cross-Selling-Strategien macht.
Nicht überwachtes Lernen wird auch genutzt, um die Anzahl der Merkmale eines Modells zu reduzieren. Dies erfolgt über den Prozess der Dimensionsreduktion, welcher zwei Ansätze umfasst: die Singularwertzerlegung und die Hauptkomponentenanalyse.
#5. Clustering
Clustering ist ein unüberwachtes Lernmodell, das die Gruppierung von Datenpunkten beinhaltet. Es findet oft Anwendung in der Betrugserkennung, der Dokumentenklassifizierung und der Kundensegmentierung.
Die gängigsten Clustering- oder Gruppierungsalgorithmen umfassen hierarchisches Clustering, dichte-basiertes Clustering, Mean-Shift-Clustering und k-Means-Clustering. Jeder Algorithmus wird unterschiedlich eingesetzt, um Cluster zu finden, aber das Ziel ist in jedem Fall dasselbe.
#6. Dimensionsreduktion
Es handelt sich um eine Technik zur Reduzierung verschiedener Zufallsvariablen auf eine Reihe von Hauptvariablen. Mit anderen Worten, der Prozess der Verringerung der Dimension des Merkmalsatzes wird als Dimensionsreduktion bezeichnet. Der beliebte Algorithmus dieses Modells ist die Hauptkomponentenanalyse.
Der „Fluch der Dimensionalität“ bezieht sich auf die Tatsache, dass mit zunehmender Anzahl an Eingaben in der prädiktiven Modellierung die Modellierung immer schwieriger wird. Die Dimensionsreduktion wird im Allgemeinen zur Datenvisualisierung eingesetzt.
#7. Verstärkendes Lernen
Dieses Modell ist dem überwachten maschinellen Lernen ähnlich. Es wird als ein Verhaltensmodell des maschinellen Lernens beschrieben. Der einzige Unterschied zum überwachten Lernen besteht darin, dass der Algorithmus nicht auf der Basis von Beispieldaten trainiert wird.
Das Reinforcement-Learning-Modell lernt durch die Trial-and-Error-Methode. Die Abfolge erfolgreicher Ergebnisse führt dazu, dass das Modell die beste Empfehlung für ein bestimmtes Problem entwickelt. Dieses Modell wird häufig in Spielen, der Navigation, der Robotik und anderen Bereichen eingesetzt.
Arten von Algorithmen für maschinelles Lernen
#1. Lineare Regression
Hier wird versucht, eine Linie zu finden, welche die vorliegenden Daten bestmöglich beschreibt. Es gibt Erweiterungen des linearen Regressionsmodells, darunter die multiple lineare Regression und die polynomiale Regression. Dabei geht es darum, die beste Ebene oder die beste Kurve zu finden, welche zu den Daten passt.
#2. Logistische Regression
Die logistische Regression ist dem Algorithmus der linearen Regression sehr ähnlich, wird aber hauptsächlich verwendet, um eine endliche Anzahl von Ergebnissen zu erhalten, zum Beispiel zwei. Sie wird gegenüber der linearen Regression bevorzugt, wenn die Wahrscheinlichkeit von Ergebnissen modelliert werden soll.
Dabei wird auf raffinierte Weise eine logistische Gleichung verwendet, sodass die Ausgangsgröße zwischen 0 und 1 liegt.
#3. Entscheidungsbaum
Das Entscheidungsbaummodell findet oft Anwendung in der strategischen Planung, dem maschinellen Lernen und dem Operations Research. Es besteht aus Knoten. Je mehr Knoten vorhanden sind, desto genauere Ergebnisse werden erzielt. Die letzten Knoten des Entscheidungsbaumes enthalten Daten, die helfen, Entscheidungen schneller zu treffen.
Aus diesem Grund werden die letzten Knoten auch als Blätter des Baumes bezeichnet. Entscheidungsbäume sind einfach und intuitiv zu erstellen, haben aber hinsichtlich der Genauigkeit gewisse Einschränkungen.
#4. Zufälliger Wald
Hierbei handelt es sich um eine Ensemble-Lerntechnik. Vereinfacht ausgedrückt, besteht sie aus Entscheidungsbäumen. Das Random-Forests-Modell umfasst mehrere Entscheidungsbäume, indem Bootstrap-Datensätze der echten Daten verwendet werden. Es wählt in jedem Schritt des Baums zufällig eine Teilmenge der Variablen aus.
Das Random-Forest-Modell wählt den Vorhersagemodus jedes einzelnen Entscheidungsbaums. Da das Modell auf den „Mehrheitsgewinn“ setzt, wird das Fehlerrisiko reduziert.
Wenn Sie beispielsweise einen einzigen Entscheidungsbaum erstellen und das Modell am Ende 0 vorhersagt, haben Sie kein Ergebnis. Wenn Sie jedoch vier Entscheidungsbäume gleichzeitig erstellen, erhalten Sie möglicherweise den Wert 1. Das ist die Stärke des Random-Forest-Lernmodells.
#5. Support-Vektor-Maschine
Eine Support Vector Machine (SVM) ist ein Algorithmus des überwachten maschinellen Lernens. Er mag komplex erscheinen, ist aber auf der grundlegendsten Ebene intuitiv verständlich.
Wenn es beispielsweise zwei Arten von Daten oder Klassen gibt, findet der SVM-Algorithmus eine Grenze oder eine Hyperebene zwischen diesen Klassen, um den Spielraum zwischen den beiden zu maximieren. Es gibt viele Ebenen, die zwei Klassen trennen können, aber nur eine Ebene kann den Abstand oder Spielraum zwischen den Klassen maximieren.
#6. Hauptkomponentenanalyse (PCA)
Die Hauptkomponentenanalyse dient dazu, höherdimensionale Informationen, wie zum Beispiel 3 Dimensionen, in einen kleineren Raum, zum Beispiel 2 Dimensionen, zu projizieren. Dadurch wird eine minimale Datendimension erreicht. So können die ursprünglichen Werte im Modell erhalten bleiben, ohne die Position zu beeinflussen, aber die Dimensionen werden reduziert.
Vereinfacht gesagt handelt es sich um ein Dimensionsreduktionsmodell, das insbesondere verwendet wird, um mehrere Variablen in einem Datensatz auf die kleinsten möglichen Variablen zu reduzieren. Dies geschieht durch das Zusammenfassen von Variablen, deren Messskala dieselbe ist und die höhere Korrelationen als andere aufweisen.
Das Hauptziel dieses Algorithmus ist es, Ihnen die neuen Variablengruppen aufzuzeigen und Ihnen genügend Zugriff zu geben, um Ihre Aufgaben zu erledigen.
Beispielsweise hilft PCA bei der Interpretation von Umfragen, die viele Fragen oder Variablen enthalten, wie z.B. Umfragen zum Wohlbefinden, zur Studienkultur oder zum Verhalten. Mit dem PCA-Modell lassen sich minimale Variablen daraus ableiten.
#7. Naive Bayes
Der Naive-Bayes-Algorithmus wird in der Datenwissenschaft eingesetzt und ist ein populäres Modell in vielen Branchen. Der Algorithmus basiert auf dem Satz von Bayes, welcher die Wahrscheinlichkeitsgleichung wie folgt erklärt: „Wie hoch ist die Wahrscheinlichkeit von Q (Ausgangsvariable) gegeben P“.
Es handelt sich um eine mathematische Erklärung, die im heutigen Technologiezeitalter angewendet wird.
Abgesehen von diesen fallen einige Modelle, die im Regressionsteil erwähnt wurden, wie Entscheidungsbaum, neuronales Netzwerk und Random Forest, auch unter das Klassifizierungsmodell. Der einzige Unterschied zwischen den Begriffen besteht darin, dass die Ausgabe diskret anstatt kontinuierlich ist.
#8. Neuronales Netzwerk
Ein neuronales Netzwerk ist ein weiteres sehr verbreitetes Modell in der Industrie. Im Kern handelt es sich um ein Netzwerk aus verschiedenen mathematischen Gleichungen. Zuerst werden eine oder mehrere Variablen als Eingabe verwendet und durch das Netzwerk von Gleichungen geleitet. Am Ende werden Ergebnisse in Form von einer oder mehreren Ausgabevariablen ausgegeben.
Mit anderen Worten: Ein neuronales Netzwerk nimmt einen Vektor von Eingaben entgegen und gibt einen Vektor von Ausgaben zurück. Es ist ähnlich wie Matrizen in der Mathematik. Das Netzwerk hat verborgene Schichten zwischen der Eingangs- und der Ausgangsschicht, welche sowohl lineare als auch Aktivierungsfunktionen darstellen.
#9. K-Nächste-Nachbarn (KNN)-Algorithmus
Der KNN-Algorithmus wird sowohl für Klassifizierungs- als auch für Regressionsprobleme eingesetzt. In der Datenwissenschaft wird er oft verwendet, um Klassifizierungsprobleme zu lösen. Er speichert alle verfügbaren Fälle und klassifiziert neue Fälle, indem er die Stimmen seiner k Nachbarn verwendet.
Die Distanzfunktion übernimmt die Messung. Wenn Sie beispielsweise Informationen über eine Person suchen, würden Sie mit den Personen sprechen, die dieser Person am nächsten stehen, wie Freunde oder Kollegen. In ähnlicher Weise funktioniert auch der KNN-Algorithmus.
Sie sollten drei Dinge berücksichtigen, bevor Sie den KNN-Algorithmus auswählen.
- Die Daten müssen vorverarbeitet werden.
- Die Variablen müssen normalisiert werden, da sonst höhere Variablen das Modell verzerren können.
- KNN ist rechenintensiv.
#10. K-Means-Clustering
Es unterliegt dem unüberwachten maschinellen Lernen und löst Clustering-Aufgaben. Hierbei werden Datensätze in mehrere Cluster (sagen wir K) klassifiziert und kategorisiert, sodass alle Punkte innerhalb eines Clusters heterogen und homogen aus den Daten sind.
K-Means bildet Cluster folgendermaßen:
- K-Means wählt für jeden Cluster K Datenpunkte aus, die als Zentroide bezeichnet werden.
- Jeder Datenpunkt bildet mit dem nächstgelegenen Cluster (Zentroiden) einen Cluster, d.h. K Cluster.
- Dadurch entstehen neue Schwerpunkte.
- Dann wird die kürzeste Distanz für jeden Punkt bestimmt. Dieser Vorgang wiederholt sich, bis sich die Schwerpunkte nicht mehr verändern.
Fazit
Modelle und Algorithmen des maschinellen Lernens spielen eine entscheidende Rolle für viele kritische Prozesse. Diese Algorithmen vereinfachen unseren Alltag und machen ihn unkomplizierter. Dadurch werden selbst sehr komplexe Prozesse in Sekundenschnelle durchführbar.
ML ist somit ein leistungsstarkes Werkzeug, das in vielen Branchen eingesetzt wird und dessen Nachfrage stetig wächst. Es ist absehbar, dass wir in naher Zukunft noch präzisere Antworten auf unsere komplexen Fragestellungen erhalten werden.