Machine Learning Methoden – ein Überblick. Teil 1/3

Es gibt heute eine immer größere Zahl von Machine Learning Methoden. Doch welche Methode passt zu welchem Zweck? Ein umfassender Überblick. Teil 1/3.

Machine Learning steht aktuell im Zentrum vieler Data Science Projekte. In Teil 1 unserer dreiteiligen Artikel-Serie erfahren Sie alles, was Sie über die Machine Learning Methoden ganz allgemein wissen müssen. Mit den speziellen Einzelmethoden beschäftigen sich dann die nächsten beiden Teile der Serie.

Machine Learning beziehungsweise Maschinelles Lernen zählt heute zu den gefragtesten Ansätzen in Unternehmen, wenn es um die Transformation von Daten in Mehrwert geht. Einen besonderen Schwerpunkt bilden dabei fertigende Betriebe, Maschinenbauer und Unternehmen, die bereits auf die vernetzte Produktion umgestellt haben wie etwa die Automotive-Industrie.

Seit einiger Zeit steigt daher auch die Nachfrage nach und das Interesse an unterschiedlichen Formen von Machine Learning. Dabei stehen insbesondere zwei große Richtungen und mehrere Unterformen aktuell im Fokus. Hier haben wir darum die wichtigsten Machine Learning Methoden und deren „Ableger“ zusammengefasst.

Linktipp: Sie möchten sich im Bereich Machine Learning fortbilden? Sichern Sie sich einen der Plätze in unserer nächsten Machine Learning Schulung für Einsteiger!

Ausgangspunkt für viele Unternehmen sind große, bislang ungenutzte Datenmengen und insbesondere Maschinendaten

Dass Machine Learning Methoden eine solche Relevanz haben, hat einen bestimmten Grund. Viele Unternehmen bemerken aktuell, dass sie eine enorme Mengen Daten erzeugen (Big Data) und diese entsprechend verwalten müssen.

Linktipp: In unserer Big Data Governance Studie befassen wir uns mit diesem nicht-technischen Aspekt von Big Data.

Das exponentielle Wachstum der Datenmenge wird auf bislang nicht absehbare Zeit anhalten. Dennoch wird aktuell nur ein Bruchteil dieser Daten in Mehrwert verwandelt. Machine Learning Methoden eignen sich hervorragend dazu, die Datenflut zu verwerten und im Unternehmen zu nutzen.

Heute ist es für Unternehmen entscheidend, #Mehrwert aus ihren #Daten zu generieren. Dabei sind #MachineLearning #Methoden unentbehrlich. Klick um zu Tweeten

Was ist Machine Learning?

Grundsätzlich ist unter Machine Learning ein Teilprinzip dessen zusammengefasst, was unter den Begriff der Artificial Intelligence fällt. Die wesentliche Eigenschaft von Machine Learning Algorithmen besteht in deren Fähigkeit, aus Erfahrung zu lernen.

Linktipp: In diesem Artikel beleuchten wir die Grundlagen von Machine Learning.

Von der Struktur her unterscheiden sich Machine Learning Methoden allerdings nicht wesentlich von klassischen, statistischen Methoden aus der Data Science. Der Ausgangspunkt der Datenanalyse besteht jeweils aus einem bestimmten Input und einem Analyseprozess, der dann einen bestimmten Output liefert:

Machine Learning Methoden sind besonders dann von Vorteil, wenn große Mengen von Daten vorhanden sind. Diese Datensätze werden benötigt, um die Machine-Learning-Algorithmen zu trainieren.

Nimmt man das Beispiel „Gesichtserkennung“: Machine Learning macht dies möglich, weil Algorithmen zunächst anhand von Millionen von Bilddaten darauf trainiert wurden, diejenigen Strukturen in den Datenmassen zu erkennen, die ein Gesicht definieren.

Hier ist beispielhaft visualisiert, wie ein Algorithmus anhand von Bilddaten als Input lernt, Gesichter zu erkennen.

Supervised Machine Learning und Unsupervised Machine Learning

Eine wichtige, generelle Unterscheidung gibt es zwischen zwei Gruppen von Machine Learning Methoden: Supervised Machine Learning und Unsupervised Machine Learning. Alle Machine Learning Methoden lassen sich in eine dieser beiden Klassen subsummieren. Der wesentliche Unterschied besteht im Lernvorgang.

Beim Supervised Machine Learning sind am Anfang des Lernvorgangs Output Data Sets vorhanden. Output Data Sets beinhalten bereits valide Ergebnisse, die auf Beobachtungen oder Berechnungen basieren. Diese werden benutzt, um den Algorithmus zu trainieren, und ihn anschließend auf andere Daten anzuwenden.

Welche Machine Learning Methoden gibt es?

Beim Unsupervised Machine Learning ist der erwartete Output am Anfang des Lernvorgangs nicht bekannt. Dieser ergebnisoffene Ansatz ist also explorativer Natur. Der Lernvorgang vollzieht sich dadurch, dass der Algorithmus versucht, Daten in einer bestimmten Art und Weise zu clustern, also zu gruppieren, oder Anomalien zu identifizieren.

Obwohl es eine große Anzahl an Machine Learning Methoden und Aufgaben gibt, die in eine dieser beiden Kategorien von Algorithmen fallen, lässt sich doch ein kleines Set von Standards herausstellen.

Im Fall von Supervised Machine Learning gehören Classification und Regression zu den Standard-Methoden; im Fall von Unsupervised Machine Learning sind Clustering und Frequent Patterns häufig eingesetzte Methoden. Diesen Machine Learning Methoden widmen sich Teil 2 und Teil 3 dieser Serie.

 

Sie möchten sich im Bereich Machine Learning fortbilden? Neben unserer Machine Learning Schulung für Einsteiger bieten wir auch eine Supervised Machine Learning Schulung sowie eine Unsupervised Machine Learning Schulung an.

Ich möchte mehr über die Schulungen der Data Academy erfahren

 

 

Tags

top