Um Machine Learning richtig zu begreifen, reichen Worte nicht aus. Dieser Artikel bringt Ihnen Machine Learning anhand der besten Visualisierungen näher, die mir in den letzten 5 Jahren begegnet sind.
1. Machine Learning findet Muster in Daten
Einfach ausgedrückt verwandelt Machine Learning Daten in Vorhersagen.
Wann immer Sie über große Datenmengen verfügen und intelligente Vorhersagen automatisieren möchten, kann Machine Learning hilfreich sein.
2. KI vs. Machine Learning vs. Deep Learning
Schaffen wir das erst einmal aus dem Weg. Was ist der Unterschied zwischen KI, Machine Learning und Deep Learning? Eine Übersicht von NVIDIA erklärt die Unterschiede:
- Künstliche Intelligenz ist eine akademische Disziplin, die in den frühen 50er Jahren gegründet wurde.
- Machine Learning betrifft die Erforschung von Algorithmen, die sich durch Erfahrung selbst verbessern und gewinnt seit den 80er Jahren an Aufschwung - als Teilbereich von KI.
- Deep Learning ist ein neuerer Teilbereich des Machine Learning, der neuronale Netze einsetzt - und sich in bestimmten Bereichen (Bild-, Video- , Text- und Audioverarbeitung) sehr erfolgreich ist.
Welche Bezeichnung sollte man also verwenden?
- Kurze Antwort: Die Wortwahl ist nicht so wichtig.
- Ausführlichere Antwort: Die von Fachleuten am häufigsten verwendete Bezeichnung ist "Machine Learning" - das ist spezifischer und weniger vage als KI.
“Ist es in Python geschrieben, dann ist es Machine Learning – ist es in Powerpoint geschrieben, dann ist es KI" 😅
3. Der Unterschied zwischen ML und "normaler Software"
Auch ein Machine Learning Algorithmus ist lediglich Software. Aber worin besteht dann der große Unterschied?
3.1 Die kurze Antwort
Beim Einsatz "normaler" Software geben wir dem Computer vor, was er tun soll. Bei Machine Learning erklären wir dem Computer, wie er etwas anhand entsprechender Daten selbst herausfindet.
3.2 Die etwas längere Antwort
- Normale Software besteht im Grunde aus einer Reihe von Regeln (auch Software), die von Menschen geschrieben wurden, um einen bestimmten Output zu erzielen.
- Machine Learning Software ist Software, die von sich aus Regeln findet, um zu einem vorgegebenen Output zu gelangen. Also Software, die Software schreibt. 🤯
Visuell veranschaulicht:
4. Wie lernen Machine Learning Algorithmen?
Wie aber erkennt Machine Learning die richtigen Muster in den Daten, um daraus Vorhersagen zu treffen?
Dem Team von R2D3 ist es gelungen, zu visualisieren, wie ein Machine Learning Modell lernt. Das ist die beste Visualisierung von Machine Learning die ich je gesehen habe 🌟. Technisch akkurat und optisch faszinierend.
5. Wie sieht es mit Deep Learning aus?
Dank Google sind Sie bestens informiert. Vergessen Sie langweilige "Netzwerk-Graphen". 👉Dieses interaktive live Beispiel zeigt, wie ein neuronales Netzwerk lernt.
Dabei kann man auch interaktiv Parameter des Modells verändern:
- Training Parameter: Parameter (Drehregler) die bestimmen wir der Algorithmus lernt.
- Neuronen & Schichten: Steuern wie komplex das Modell werden darf.
- Aufgabe: Man kann dem Modell verschiedene Aufgaben geben: Die Punkte müssen entweder aus einem Kreis, einem Rechteck, oder - am schwierigsten - einer Spirale heraus getrennt werden.
Bei jedem Modell kann man beobachten, wie es mit jeder Trainingsrunde über die Zeit besser wird (test loss).
6. Wie funktioniert ein neuronales Netz?
Neuronale Netzwerke sind etwas komplexer - bei ernsthaftem Interesse lohnt sich jedoch dieses Video 👉 3Blue1Brown - What is a neural network, in dem anschaulich erklärt wird, wie ein neuronales Netzwerk lernt handgeschriebene Ziffern zu erkennen.
7. Wie erkennt man, ob Machine Learning im Spiel ist?
Hier ist ein einfaches Diagramm, um herauszufinden, ob es sich um Machine Learning handelt:
8. Was sind die Bestandteile einer Machine Learning Lösung?
In Wahrheit ist Machine Learning nur ein kleiner Teil einer Machine Learning Lösung. Der größte Teil der Arbeit fließt in die zugehörige Infrastruktur:
- Daten: müssen gesammelt, verifiziert, analysiert und für den Algorithmus aufbereitet werden;
- Infrastruktur: Das Machine Learning Modell muss deployed, gehosted und bereitgestellt werden;
- Monitoring: Arbeitsabläufe müssen orchestriert und das Modell instand gehalten werden.
9. Welche Machine Learning Algorithmen gibt es?
Es gibt mittlerweile eine beträchtliche Anzahl an Algorithmen. Man kann sie grob in diese Kategorien einteilen:
- Klassisches Lernen: Lässt sich in zwei weitere Kategorien unterscheiden: Supervised Learning / Überwachtes Lernen (anhand von Beispielen wird gelernt, eine Zahl oder Kategorie vorherzusagen) und Unsupervised Learning / Unüberwachtes Lernen, bei dem der Algorithmus ohne jegliche Anleitung Muster in den Daten sucht.
- Neuronale Netzwerke und Deep Learning: Algorithmen, die auf den Prinzipien mehrschichtiger Neuronen basieren. Diese Algorithmen sind vor allem dazu geeignet, Vorhersagen anhand von Bild-, Text-, Audio-, Video- und Zeitreihendaten zu machen.
- Reinforcement Learning: Algorithmen, die vergleichbar zur Evolution funktionieren: Sie verbessern ihr Vorgehen in Lernzyklen, um eine Belohnung zu maximieren.
- Ensemble Learning: Algorithmen, die mehrere schwächere Modelle erstellen und sie zu einem starken Modell kombinieren.
Zusammenfassung
Mit dieser Übersicht sollten Sie ein solides Verständnis von allen grundlegenden Machine Learning Konzepten bekommen haben. Um mehr über konkrete Einsatzmöglichkeiten von Machine Learning für Ihre Projekte zu erfahren, lesen Sie unseren Machine Learning Guide: Was Manager wissen sollten.
Sollte etwas Wichtiges fehlen lassen Sie es mich wissen: markus@datarevenue.com.
