Maschinelles Lernen

Definition - Was bedeutet maschinelles Lernen?

Maschinelles Lernen ist eine Disziplin der künstlichen Intelligenz (KI), die auf die technologische Entwicklung des menschlichen Wissens ausgerichtet ist. Durch maschinelles Lernen können Computer durch Analyse, Selbsttraining, Beobachtung und Erfahrung mit neuen Situationen umgehen.

Maschinelles Lernen erleichtert die kontinuierliche Weiterentwicklung des Rechnens durch Exposition gegenüber neuen Szenarien, Tests und Anpassungen, während die Muster- und Trenderkennung für verbesserte Entscheidungen in nachfolgenden (wenn auch nicht identischen) Situationen eingesetzt wird.

Maschinelles Lernen wird häufig mit Data Mining und Knowledge Discovery in Datenbanken (KDD) verwechselt, die eine ähnliche Methodik aufweisen.

Technische.me erklärt maschinelles Lernen

Tom M. Mitchell, ein Pionier des maschinellen Lernens und Professor an der Carnegie Mellon University (CMU), sagte die Entwicklung und Synergie des menschlichen und maschinellen Lernens voraus. Der heutige Facebook News Feed ist ein perfektes Beispiel. Der Newsfeed ist so programmiert, dass Inhalte von Benutzerfreunden angezeigt werden. Wenn ein Benutzer häufig einen bestimmten Freund markiert oder an die Wand schreibt, ändert der Newsfeed sein Verhalten, um mehr Inhalte von diesem Freund anzuzeigen.

Andere Anwendungen für maschinelles Lernen umfassen syntaktische Mustererkennung, Verarbeitung natürlicher Sprache, Suchmaschinen, Computer Vision und maschinelle Wahrnehmung.

Free Download: KI in der Versicherungsbranche: 26 reale Anwendungsfälle

Es ist schwierig, die menschliche Intuition in einer Maschine zu replizieren, vor allem, weil Menschen Entscheidungen oft unbewusst lernen und ausführen.

Wie Kinder benötigen Maschinen eine längere Einarbeitungszeit, wenn sie breite Algorithmen entwickeln, die auf das Diktat des zukünftigen Verhaltens ausgerichtet sind. Zu den Trainingstechniken gehören Auswendiglernen, Parameteranpassung, Makrooperatoren, Chunking, erklärungsbasiertes Lernen, Clustering, Fehlerkorrektur, Fallaufzeichnung, Verwaltung mehrerer Modelle, Rückenausbreitung, Verstärkungslernen und genetische Algorithmen.