Beliebte Arten von Algorithmen für maschinelles Lernen
Wie alle Systeme mit künstlicher Intelligenz benötigt auch das maschinelle Lernen Algorithmen, um Parameter, Aktionen und Endwerte festzulegen. Mit maschinellem Lernen ausgestattete Programme verwenden diese Algorithmen als Leitfaden, wenn sie verschiedene Optionen erkunden und unterschiedliche Faktoren bewerten. Es gibt Hunderte von Algorithmen, die Computer auf der Grundlage verschiedener Faktoren wie Datengröße und -vielfalt verwenden. Im Folgenden werden einige der gängigsten Arten von Algorithmen für maschinelles Lernen vorgestellt.
Überwachtes Lernen
Algorithmen des überwachten Lernens erstellen mathematische Modelle von Daten, die sowohl Eingabe- als auch Ausgabeinformationen enthalten. Computerprogramme für maschinelles Lernen werden ständig mit diesen Algorithmen gefüttert, so dass die Programme schließlich die Ergebnisse auf der Grundlage neuer Eingabedaten vorhersagen können.
Regressions- und Klassifizierungsalgorithmen sind zwei der bekanntesten Algorithmen des überwachten Lernens. Die Regressionsanalyse dient der Ermittlung und Vorhersage von Beziehungen zwischen Ergebnisvariablen und einer oder mehreren unabhängigen Variablen. Dieser Algorithmus ist allgemein als lineare Regression bekannt und wird als Trainingsdaten verwendet, um Systeme bei Vorhersagen und Prognosen zu unterstützen. Klassifizierungsalgorithmen werden verwendet, um Systeme für die Identifizierung eines Objekts und dessen Einordnung in eine Unterkategorie zu trainieren. Beispielsweise verwenden E-Mail-Filter maschinelles Lernen, um den Fluss eingehender E-Mails für Primär-, Werbe- und Spam-Postfächer zu automatisieren.
Unüberwachtes Lernen
Unüberwachte Lernalgorithmen verwenden Daten, die nur Eingaben enthalten, und fügen den Daten dann eine Struktur in Form von Clustern oder Gruppierungen hinzu. Die Algorithmen lernen aus früheren Testdaten, die nicht gekennzeichnet oder kategorisiert wurden, und gruppieren dann die Rohdaten auf der Grundlage von Gemeinsamkeiten (oder deren Fehlen). Bei der Clusteranalyse wird unüberwachtes Lernen eingesetzt, um riesige Mengen an Rohdaten zu sortieren und bestimmte Datenpunkte zu gruppieren. Clustering ist ein beliebtes Tool für das Data Mining und wird in allen Bereichen eingesetzt, von der Genforschung bis hin zum Aufbau virtueller Social-Media-Gemeinschaften mit gleichgesinnten Personen.
Semi-überwachtes Lernen
Semi-überwachtes Lernen liegt direkt zwischen dem unbeaufsichtigten und dem überwachten Lernen. Anstatt einem Programm nur markierte Daten (wie beim überwachten Lernen) oder keine markierten Daten (wie beim unüberwachten Lernen) zu geben, werden diese Programme mit einer Mischung aus Daten gefüttert, die nicht nur den maschinellen Lernprozess beschleunigen, sondern den Maschinen auch helfen, Objekte zu identifizieren und mit einer höheren Genauigkeit zu lernen.
In der Regel geben die Programmierer eine kleine Anzahl von gekennzeichneten Daten mit einem großen Prozentsatz von nicht gekennzeichneten Informationen ein, und der Computer muss die Gruppen von strukturierten Daten verwenden, um die restlichen Informationen zu gruppieren. Dies wird als vielversprechender Algorithmus angesehen, da die Beschriftung von überwachten Daten aufgrund der hohen Kosten und der Hunderte von Stunden, die dafür aufgewendet werden, als ein gewaltiges Unterfangen angesehen wird.
Hier ist ein praktischer Weg, um sich Algorithmen des maschinellen Lernens in Laiensprache zu merken. Überwachtes Lernen ist so, als wäre man ein Schüler, der in der Schule und zu Hause ständig vom Lehrer überwacht wird. Unüberwachtes Lernen bedeutet, dass ein Schüler ein Konzept selbst herausfinden soll. Semi-überwachtes Lernen ist so, als würde man einem Schüler eine Lektion erteilen und ihn dann an Fragen zu diesem Thema testen. Jeder Algorithmustyp hat seine Vor- und Nachteile beim maschinellen Lernen und wird je nach den Parametern und Bedürfnissen des Datenwissenschaftlers oder Ingenieurs eingesetzt.
