Machine Learning – Welche Funktionen, Modelle und Anwendungsmöglichkeiten verbergen sich dahinter?

Roboterhand steckt quadratische Form in passendes Loch.

Machine Learning (früher als Statistisches Lernen bekannt) stellt lediglich die systematische, logische Regel für die Lösung eines Problems dar und wird aktuell in drei Kategorien unterteilt: Supervised, Unsupervised und Reinforcement Learning.

Die Gemeinsamkeit der Algorithmen ist eine mathematische Funktion F(X) = Y. Die Unterschiede liegen sowohl in den Modell-In- und -Outputs (also den X und Y Mengen) als auch in den Dateneigenschaften (numerisch oder kategorisch).

Die Kategorien des Machine Learning

Das Reinforcement Learning stellt eine Art Zwischendisziplin des Supervised und Unsupervised Learning dar, da kein fester Zielwert ausgegeben wird. Der Output informiert rein darüber, ob die Schätzung „richtig“ oder „falsch“ ist. Bekannte Modelle innerhalb des “Trial and Error” Verfahrens sind z.B. Markov Entscheidungsprobleme. Supervised Algorithmen geben feste Zielwerte als Outputs neuer Modelleingaben und der Lernprozess spiegelt sich in einer kontinuierlichen Approximation der Modellfunktion wider. Das Training ermöglicht es, die Anpassungsgüte verschiedener Modelle anhand von Fehlerkennzahlen zu vergleichen. Ziel des Unsupervised Learning hingegen ist es, verborgene Muster in Daten aufzudecken. Die Funktionsausgabe ist unbekannter Natur, weshalb im Vergleich zu den Supervised Algorithmen keine Fehlerklassifizierung erfolgen kann.

Machine Learning dargestellt mit Entscheidungsbäumen auf Papier ausgedruckt.

Supervised und Unsupervised als gängige Praxis

Da in der wirtschaftlichen Praxis das Supervised und Unsupervised Learning vermehrt Anwendung findet, zeigt die folgende Tabelle einen Überblick der Algorithmen, welche in Abhängigkeit des Dateninputs in Betracht gezogen werden.

Supervised Learning Unsupervised Learning
Numerische Daten Prognose/Forecasting

·       (Multiple) Lineare Regression

·       Polynomial Regression

·       Regression Tree

Clusterverfahren

·       K-Means

·       Hierarchisch

·       DBSCAN

·       Faktorenanalyse

Kategorische Daten Klassifizierung

·       Naive Bayes

·       Decision Tree

·       K-Nearest Neighborhood

·       Suppoert Vector Machine

·       Logistic Regression

Assoziationsanalyse

·       A-Priori

·       Frequent Pattern-Growth

Der Datenumfang und die Zielsetzung entscheiden dann über die Wahl des Algorithmus für die Lösung der Problemstellung. Die Diskussion der Stärken und Schwächen der einzelnen Algorithmen sprengt den Rahmen dieses Artikels, es wird rein auf Details in der Metaebene verwiesen. Für Supervised Algorithmen spielen z.B. Langzweitwerte, Trends und Zusammenhänge (linear oder nichtlinear) innerhalb des Datensamples eine eminente Rolle. Auch komramt der Interpretierbarkeit, Genauigkeit, Trainings- und Vorhersagegeschwindigkeit sowie dem Rauschen innerhalb der Daten eine gesonderte Stellung zu. Für die Unsupervised Algorithmen ist sowohl die Größe des Datensatzes als auch der zeitliche Datenzusammenhang besonders wichtig. Zudem wird das Ergebnis häufig von Startparametern beeinflusst oder verliert an Stabilität bei mehrfacher Ausführung.

Schwebendes Gehirn-Hologramm und mensschliche Hände die es halten.

Exkurs: Deep Learning

Neben dem Bereich des Machine Learning gibt es eine weitere Disziplin: Das Deep Learning. Die Grundidee dieser Algorithmen entstammt der Funktionsweise des menschlichen Gehirns. Ziel derer ist es, die optimalen Parameter für die Neuronen-Funktionen und die Gewichtungen auf den Synapsen zu finden. Da Machine Learning Algorithmen auf feste Modellgruppen zurückgreifen, sind Neuronale Netze in der Lage dynamische Umgebungen und verborgene Beziehungen besser abzubilden. Da jedoch hierzu Mengen an Daten und eine hohe Trainingszeit der Modelle erforderlich ist, wird in der Praxis hinsichtlich der „Small Data“-Problemstellungen derzeit noch häufiger Machine Learning angewendet.

Sie benötigen Unterstützung beim Umgang mit Ihren Daten? Unsere erfahrenen Consultants stehen Ihnen bei verschiedensten Projekten beratend zur Seite – angefangen bei Machine Learning über Big Data und Data Analytics bis hin zur Softwareentwicklung. Darüber hinaus finden, rekrutieren und qualifizieren wir talentierte Nachwuchskräfte sowie berufserfahrene Experten für Ihre Stammmannschaft und entwickeln die digitalen Kompetenzen ihres vorhandenen Personals weiter.

Weitere interessante Beiträge für Sie:

Dynamic Pricing and Artificial Intelligence – Wie Machine Learning-Algorithmen die Preisoptimierung verändern

Was ist Machine Learning? Eine kurze Zusammenfassung

Augmented Reality – Einsatz in der Unternehmenspraxis

Virtual Realtiy – Einsatz in der Unternehmenspraxis

Künstliche Intelligenz – Einsatz der Technologie im eigenen Unternehmen?

Künstliche Intelligenz – Freund oder Feind des Fachkräftesuchers?

Sie möchten weiterhin auf dem Laufenden bleiben? Dann abonnieren Sie unseren monatlichen Newsletter und erhalten Sie hilfreiche Tipps zur Gewinnung, Bindung und Entwicklung von Talenten sowie Wissenswertes zu aktuellen Themen der Digitalisierung. Jetzt registrieren!

Bildnachweise für diesen Beitrag:
157464619 © Sergey – stock.adobe.com
47940595 © Diamond Hills – stock.adobe.com
122642647 © vegefox.com – stock.adobe.com

Schreibe einen Kommentar

Cookies erleichtern die Bereitstellung der Dienste auf dieser Website. Mit der Nutzung dieser Website erklären Sie sich mit dem Einsatz von Cookies einverstanden. OK Datenschutzerklärung