Welche Arten von maschinellem Lernen gibt es? (Und wann man sie verwendet) • BUOM
24. Juni 2021
Maschinelles Lernen nutzt Algorithmen und Daten, um Maschinen beizubringen, bestimmte Aufgaben auszuführen. Dies kann Unternehmen dabei helfen, ihr gewünschtes Ergebnis entweder durch menschliche Arbeit oder durch Maschinen zu erreichen. Wenn Sie die Unterschiede zwischen den Arten des maschinellen Lernens verstehen, können Sie entscheiden, welche Methode Sie für Ihr Unternehmen verwenden sollten. In diesem Artikel besprechen wir, warum es verschiedene Arten des maschinellen Lernens gibt, und stellen eine Liste der vier Haupttypen mit einer Erklärung zur jeweiligen Verwendung bereit.
Was ist maschinelles Lernen?
Maschinelles Lernen ist eine Form der Informatik und künstlichen Intelligenz (KI), die Daten und Algorithmen nutzt, um die Art und Weise zu kopieren, wie Menschen lernen. Mithilfe von Daten und Erfahrungen können Maschinen Vorhersagen und Empfehlungen treffen. Zu den häufigsten Anwendungen des maschinellen Lernens gehören die Bereitstellung von Online-Empfehlungen, das Filtern von Spam-Nachrichten und die Bereitstellung von Web-Suchergebnissen. Maschinelles Lernen verwendet Algorithmen, die durch die Suche nach Mustern entwickelt wurden, um ein Modell zu rekonstruieren und das gewünschte Ergebnis zu erzielen.
Warum gibt es verschiedene Arten des maschinellen Lernens?
Es gibt viele Arten des maschinellen Lernens, die dabei helfen, unterschiedliche Probleme zu lösen und unterschiedliche Ziele zu erreichen. Jeder von ihnen hat seine eigenen Vor- und Nachteile. Bei der Wahl einer maschinellen Lernmethode überlegen sich Menschen, was die Maschine tun soll. Eine weitere Überlegung ist, ob sie Zugriff auf die Etikettendaten haben. Wenn dies der Fall ist, kann eine Person zwischen überwachtem und halbüberwachtem Lernen wählen. Wenn sich jemand jedoch für Lernmuster und neue Strukturen interessiert, könnte er über unüberwachtes Lernen nachdenken.
4 Arten des maschinellen Lernens
Hier ist eine Liste verschiedener Arten des maschinellen Lernens:
1. Überwachtes Lernen
Beim überwachten Lernen nutzt eine Maschine Daten und Feedback von Menschen zu einem Fall, um das gewünschte Ergebnis zu erzielen. Beispielsweise könnte ein Unternehmen einem Auto 500 Bilder eines Stoppschilds und 500 Bilder eines Nonstop-Schilds zeigen. In diesem Szenario ist das Stoppschild und nicht das Stoppschild das Ergebnis und wird zu den beschrifteten Daten. Durch Beobachtung der gekennzeichneten Daten lernt die Maschine die Stoppschild-Verbindung. Dadurch kann klassifiziert werden, ob es sich bei dem Bild um ein Stoppschild handelt.
Überwachtes Lernen ist aufgabenbasiert und kann für die Vorhersage des nächsten Werts in einem Modell nützlich sein. Zu den gängigen Algorithmen für überwachtes Lernen gehören:
Lineare Regression
Support Vector Machines (SVM)
Entscheidungsbäume
Neuronale Netze
Naiver Bayes
nächster Nachbar
Bäume durch Farbverlauf hervorgehoben
Zufälliger Wald
Logistische Regression
2. Unüberwachtes Lernen
Beim unüberwachten Lernen fehlt der Maschine die Unterstützung durch den Benutzer. Stattdessen findet es Muster in Daten, die Menschen möglicherweise übersehen haben, und entdeckt unbekannte Ergebnisse. Im Gegensatz zum überwachten Lernen werden beim unüberwachten Lernen unbeschriftete Daten als Datenpunkte verwendet. Anhand dieser Datenpunkte stellt die Maschine Verknüpfungen her, um sinnvolle Muster und Strukturen zu entdecken. Unüberwachtes Lernen ist datengesteuert und konzentriert sich auf das Finden von Clustern. Zu den unbeaufsichtigten Lernalgorithmen gehören:
K-bedeutet Clustering
Selbstorganisierende Karten
Gaußsche Mischungsmodelle
Hauptkomponentenanalyse (PCA)
Vereinsregel
3. Verstärkungslernen
Reinforcement Learning nutzt Versuch und Irrtum, um sich zu verbessern und aus neuen Situationen zu lernen. Um positive Aktionen zu verstärken und zu maximieren, wird ein Belohnungssystem verwendet, das ein positives Signal für gutes Verhalten sendet. Diese Art des Lernens ist verhaltensbasiert.
Um Reinforcement Learning nutzen zu können, müssen Sie über einen Agenten und eine Umgebung verfügen, deren Ziel es ist, diese über eine Feedbackschleife zu verbinden. Wenn Sie beispielsweise möchten, dass Ihre Maschine durch ein Labyrinth navigiert, ist der Agent der Lernalgorithmus und die Umgebung das Labyrinth. Zu den verstärkenden Lernalgorithmen gehören:
Q-Learning
Monte-Carlo-Baumsuche (MCTS)
Zeitunterschied (TD)
Asynchroner Akteur-Kritiker-Vorteil (A3C)
4. Halbüberwachtes Lernen
Beim halbüberwachten Lernen wird ein begrenzter Satz gekennzeichneter Daten verwendet, um zu lernen, Betriebsanforderungen zu generieren. Dieses Lernen kombiniert eine kleine Menge beschrifteter Daten mit einer großen Menge unbeschrifteter Daten, wobei sowohl überwachtes als auch unbeaufsichtigtes Lernen zum Einsatz kommt. Dies kann eine kostensparende Technik sein, da nur eine begrenzte Menge an gekennzeichneten Daten verwendet werden muss.
Um diese Art des Lernens zu nutzen, trainieren Sie die Maschine mit einer kleinen Menge beschrifteter Daten. Anschließend geben Sie ihm einen unbeschrifteten Datensatz, um die Ergebnisse vorherzusagen. Bei diesen Ausgaben handelt es sich um Pseudobezeichnungen, da sie möglicherweise nicht korrekt sind. Sobald Sie die Pseudo-Labels haben, verknüpfen Sie sie mit den Label-Daten. Außerdem verknüpfen Sie die Eingaben aus den beschrifteten Daten mit den Eingaben in den unbeschrifteten Daten. Trainieren Sie abschließend das Modell mit den Etikettendaten, um Fehler zu minimieren und die Modellgenauigkeit zu verbessern. Einige halbüberwachte Lernalgorithmen umfassen:
Selbstlernender Naive-Bayes-Klassifikator
Generative Adversarial Networks (GANs)
Allgemeine Architektur für Text Engineering (GATE)
Wann nutzen Unternehmen welche Art von maschinellem Lernen?
Unternehmen nutzen je nach ihren Endzielen unterschiedliche Arten des maschinellen Lernens. Nachfolgend finden Sie einige Beispiele dafür, wann ein Unternehmen die einzelnen Arten von maschinellem Lernen einsetzen könnte:
überwachtes Lernen
Ein Unternehmen kann beaufsichtigte Schulungen für folgende Zwecke nutzen:
Vorhersage der Kundenabwanderung oder des Prozentsatzes der Kunden, die das Produkt nicht mehr verwenden
Vorhersage der Wahrscheinlichkeit, einen Vertriebskontakt zu schließen
Schätzung der Preiselastizität von Produkten
Klassifizierung von Kunden anhand von Faktoren wie etwa der Frage, ob sie den Kredit zurückzahlen können
Bewertung von Produkteigenschaften, die die Verkaufswahrscheinlichkeit erhöhen
Durchführung einer Risikobewertung
Unbeaufsichtigtes Lernen
Unüberwachtes Lernen hilft Unternehmen, die folgenden Aufgaben zu bewältigen:
Einteilung der Kunden in separate Gruppen anhand von Merkmalen wie dem Alter
Überwachung der Mitarbeiterleistung
Finden Sie heraus, welche Produkte Kunden am wahrscheinlichsten in Kombination mit anderen Produkten kaufen.
Platzierung relevanter Informationen auf der Suchmaschinen-Website
Verstärkungslernen
Unternehmen können mithilfe von Reinforcement Learning versuchen, die folgenden Ziele zu erreichen:
Ermittlung der Ergebnisse am Ende eines Videospiels
Personalisierung von Angeboten für Kunden
Robotern beibringen, Aufgaben auszuführen
Effizientes Ressourcenmanagement und Verbrauchsreduzierung
Parameter Schätzung
Halbüberwachtes Lernen
Teilüberwachte Schulungen helfen Unternehmen bei der Durchführung von Aufgaben wie:
Klassifizierung und Suche einer großen Anzahl getaggter Textdokumente
Audio- und Videoverwaltung und -kennzeichnung
Verarbeitung natürlicher Sprache
Ranking der Relevanz von Webseiten auf einer Suchmaschinenseite