WAS IST MACHINE LEARNING? | Arten von Machine Learning

Beim Supervised Learning (Überwachtes Lernen) erhält der Machine Learning-Algorithmus einen Datensatz, bei dem die Zielvorgabe vorher klar ist. Dieser Datensatz enthält Features und Labels, die in Beziehung zueinander stehen und zwischen denen der Algorithmus dann Muster erkennen soll. Es findet kein freies Lernen statt. Er wird eingesetzt bei Klassifikationsproblemen (z. B. bei einem Kreditvergabesystem, bei dem über ja oder nein entschieden werden soll) und Regressionsproblemen (z. B. bei einem Kreditvergabesystem, bei dem über die Höhe des Kredits entschieden werden soll).

Beim Unsupervised Learning (Unüberwachtes Lernen) erhält der Machine Learning-Algorithmus einen ungelabelten Datensatz, in dem also keine Labels für die einzelnen Datenpunkte vorliegen. Die Zielvorgabe ist nicht vorher klar. Innerhalb der ungelabelten Daten sucht der Algorithmus dann nach Mustern und Zusammenhängen und generiert auf diese Weise Wissen. Ein Beispiel für den Einsatz von Unsupervised Learning ist ein Webshop. Der Betreiber möchte verstehen, warum ein Kunde ein bestimmtes Produkt kauft und ein anderes eventuell nicht. Alle Aktionen des Kunden (angesehene Artikel, bisherige Käufe etc.) sind durch das IT-System protokolliert. Der Algorithmus kann in der ungelabelten Datenmenge der gekauften Produkte aller Kund*innen Muster erkennen, welche Kundengruppen dieses Produkt gekauft haben. Ebenso ist es möglich herauszufinden, welche Merkmale (Preis, Lagerbestand, Positionierung im Shop) für den Kauf ausschlaggebend waren.

Semi-Supervised Learning (Teilüberwachtes Lernen) wird eingesetzt, um aus gelabelten Daten Wissen zu erlernen, das dann bei ungelabelten Daten zum Lernen genutzt werden kann. Es wird ein kleiner, gelabelter Datensatz verwendet, um die Zusammenhänge zwischen Features und Labels zu lernen. Anschließend wird dieses Modell dann auf ungelabelte Daten angewandt. Ein Beispiel hierfür ist ein Buchhaltungssystem, in dem Betrugsversuche gefunden werden sollen. Eine Teilmenge der Buchungsdaten des Abrechnungssystems wird von Expert*innen als „Betrug" bzw. „kein Betrug" gelabelt. Der Algorithmus kann diese Daten dann auf die ungelabelte Datenmenge anwenden und so Betrugsversuche erkennen.

Beim Reinforcement Learning (Verstärkendes Lernen) ist das Ziel, eine optimale Strategie zur Erfüllung einer bestimmten Aufgabe zu entwickeln. Diese Strategie lernt der sogenannte Agent durch Belohnung und Bestrafung. Er versucht dabei, die Menge an guten Aktionen zu maximieren. Ein Beispiel hierfür ist der Lernprozess eines Computers bei einem Computerspiel. Während des Spiels überdenkt der Computer immer wieder seine Lösungsstrategie, um das Spiel aus unterschiedlichsten Spielsituationen zu gewinnen. Beim Computerspiel Super Mario ist es wichtig, die Spielfigur möglichst schnell möglichst häufig nach rechts zu bewegen, da sich dort die Zielflagge befindet. Eine Aktion nach links zieht eine Bestrafung nach sich, eine nach rechts eine Belohnung. Durch Wiederholung lernt der Computer, welche Teilstrategien funktionieren und welche nicht. Nach erfolgreichem Levelabschluss lässt sich die Strategie durch weitere Durchläufe immer mehr optimieren.

Beim Deep Learning werden mehrfach geschichtete neuronale Netze verwendet. Zwischen Eingabe und Ausgabe befindet sich eine umfangreiche innere Struktur mit zahlreichen Zwischenschichten. Ein Beispiel hierfür sind die Filter bei Apps wie Instagram oder Snapchat, die ein Gesicht in Echtzeit durch eine Cartoonfigur ersetzen. In einem ersten Schritt wird ein neuronales Netz verwendet, um das Gesicht auf dem Bild zu erkennen. Das nächste neuronale Netz kann dann Merkmale in den Gesichtern wie Mund, Augen, Ohren etc. erfassen. Das nächste Netz zeichnet diese Merkmale neu im Stil der gewünschten Comicfigur. Deep Learning-Verfahren werden meist bei der Arbeit mit komplexen audiovisuellen Daten oder zum Lernen von komplexen Zusammenhängen verwendet.