Einführung in Machine Learning

Abschnittsübersicht: In diesem Video geht es um die Definition von Machine Learning und wie es sich von künstlicher Intelligenz unterscheidet. Es wird auch erklärt, dass Computerprogramme auf Basis einer hohen Datenmenge Wissen erlangen können.

Was ist Machine Learning?

• Der Begriff "Machine Learning" wird oft synonym mit "künstlicher Intelligenz" verwendet.

• Ein Computerprogramm kann mittels einer eingebauten Programmierung die kognitiven Fähigkeiten eines Menschen nachbilden und Probleme ohne menschliches Zutun ausführen.

• Klassische Beispiele sind Computerspieler, die jedoch oft nur intelligentes Verhalten nachahmen und in bestimmten Situationen kopflos agieren.

• Bei klassischen Brettspielen mit festen Regeln und begrenzter Anzahl an Möglichkeiten sind Computer selbst von Weltmeistern nicht mehr zu schlagen.

Was ist der Unterschied zwischen Machine Learning und künstlicher Intelligenz?

• Der Begriff "künstliche Intelligenz" bezieht sich auf Maschinen, die die kognitiven Fähigkeiten eines Menschen nachbilden können.

• Der Begriff "Machine Learning" bezieht sich darauf, dass ein Programm auf Basis einer hohen Datenmenge Wissen erlangen kann.

Wie funktioniert Machine Learning?

• Beim Maschine Lernen wird das Ziel verfolgt, ein Programm auf Basis einer hohen Datenmenge Wissen anzueignen, das es selbstständig lernen und verallgemeinern kann.

• Es gibt unterschiedliche Herangehensweisen, die je nach Problemstellung ihre eigenen Vor- und Nachteile haben.

• Das wohl bekannteste Machine-Learning-Modell sind neuronale Netze.

Was sind neuronale Netze?

• Neuronale Netze können beim Deep Learning verwendet werden und bestehen aus mehreren Millionen Parametern.

• Die Funktionsweise von neuronalen Netzen wird in späteren Videos genauer erklärt.

Was ist ein Maschinenproblem?

• Ein Computerprogramm lernt von einer Erfahrung hinsichtlich einer Aufgabe und einer Performance-Messung.

Funktionen und Modelle

Abschnittsübersicht: In diesem Abschnitt wird erklärt, wie Funktionen auf Basis von vorhandenen Daten entwickelt werden, um Vorhersagen zu treffen. Es wird auch erläutert, wie die Performance der Funktion gemessen wird.

Entwicklung von Funktionen

• Eine Funktion (f(x)) liefert ein Ergebnis (y) basierend auf einem Input (x), auch als Features bezeichnet.

• Die Funktion wird auf Basis vorhandener Daten entwickelt und kann sich je nach gewählter Methodik unterscheiden.

• Im Beispiel des Hauspreises ist die Wohnfläche das Feature, auf dessen Grundlage der Preis berechnet wird.

Vorhersage mit einer Funktion

• Mit Hilfe der entwickelten Funktion kann man den Preis eines Hauses vorhersagen.

• Durch Vergleich mit dem tatsächlichen Verkaufspreis kann die Performance der Funktion gemessen werden.

• Auf Basis dieser Erfahrung kann die Funktion verbessert werden.

Overfitting und Underfitting

Abschnittsübersicht: In diesem Abschnitt geht es darum, wie man das Problem des Overfitting oder Underfitting vermeiden kann.

Probleme bei zu hoher Ordnung

• Bei zu hoher Ordnung können Probleme auftreten, da der berechnete Graph zwar möglichst nah an den Datenpunkten liegt, aber in der Realität nicht immer sinnvoll ist.

• Ein Beispiel dafür sind Häuser unter 10 Quadratmetern Fläche, für die ein negativer Preis berechnet würde.

Probleme bei zu niedriger Ordnung

• Bei zu niedriger Ordnung können ebenfalls Probleme auftreten. Ein Beispiel dafür ist eine einfache Konstante, die unabhängig von der Wohnfläche den gleichen Preis berechnet.

• In diesem Fall ist die Funktion keine gute Approximation der Realität.

Anwendungsgebiete von Machine Learning

Abschnittsübersicht: In diesem Abschnitt werden einige Anwendungsgebiete von Machine Learning vorgestellt.

Anwendungen in der Astronomie

• Cluster von Asteroiden können mittels Machine Learning ermittelt werden.

Anwendungen im autonomen Fahren

• Objekte wie Verkehrszeichen können mittels Machine Learning erkannt und bei der Fahrtplanung berücksichtigt werden.

Anwendungen in der Biologie

• Mit Hilfe von Machine Learning kann die dreidimensionale Struktur von Proteinen ermittelt werden, was mit traditionellen Algorithmen bisher nicht oder kaum möglich war.

Anwendungen in der Medizin

• In der Tumorerkennung kann Machine Learning Ärzte bei ihrer Arbeit unterstützen.

Weitere Anwendungsbereiche

• Weitere Anwendungsbereiche sind unter anderem Spracherkennung, Werbung, Qualitätsprüfung und IT-Sicherheit.