Was ist feature learning?
Feature Learning wird auch als maschinelles Lernen bezeichnet. Dabei tritt das Lernen anhand von Merkmalen, Darstellungen und Techniken in Vordergrund. Ein System erkennt und orientiert sich an diesen und assoziiert daraus wiederum Zusammenhänge und Klassifizierungen. Rohdaten dienen also als Grundlage und für weiterführende Thematiken, welche auf diesen aufbauen. Mechanische und mathematische Algorithmen werden hierbei verarbeitet und in Zusammenhang gebracht.
Zum Lernen gehört immer die Aufnahme, Verarbeitung sowie Speicherung von Daten. Durch das erworbene Wissen werden zukünftige Handlungen sowie Informationsausgaben gezielt modifiziert und auch angepasst. Alle Erfahrungen zusammen bilden das Wissen. Aus Erfahrungen heraus zu handeln bedeutet gleichzeitig auch, dass frühere Fehlerquellen und Fehlinformationen bereits herausgefiltert wurden.
Funktionsweise
Beim Feature Learning ist die sogenannte Mustererkennung ein wichtiges Merkmal, welche individuell durchführbar, messbar sowie feststellbar ist. Die Unterscheidung von Merkmalen und Eigenschaften spielen bei der Mustererkennung eine große Rolle. Folgevorgänge aufgrund von gemachten Erfahrungen auszuführen, stellt den wichtigsten Kernpunkt dar, welcher beim maschinellen Lernen stattfinden.
Feature Learning vs. Deep Learning
Feature Learning und Deep Learning werden oft zusammen genannt, obwohl beide Lernarten einige Unterschiede aufweisen. Maschinelles Lernen zeichnet sich durch einfache Vorgänge sowie Verarbeitungen aus. Deep Learning hingegen arbeitet mit Netzen, welche neuronal und künstlich sind. Diese Netze ahmen die Verhaltensweisen wie Lernen und das Denken von beispielsweise Menschen nach. Beim Lernvorgang ist ein Eingreifen von Menschenhand nicht notwendig, da das jeweilige Neuronennetz eigenständig arbeitet. Das positronische Gehirn vom Androiden Commander Data auf dem Raumschiff Enterprise besteht aus solch einen Neuronen- beziehungsweise Neuralnetz.
Feature Learning als Teilgebiet der KI
Feature Learning beziehungsweise Machine Learning (ML) stellt ein Teilgebiet der sogenannten künstlichen Intelligenz (KI) dar. Diese wird auch als eine besondere Form der angewandten Informatik und Mathematik angesehen. Mithilfe dieser Lernform können einfache und auch komplexere IT-Systeme je nach Verwendungszweck und Informationsinput Wissen selbstständig generieren und Zusammenhänge aus gemachten Erfahrungen erkennen. Aus diesem werden wiederum neue Datensätze kreiert, vorherige Ergebnisse werden entweder bestätigt, verworfen und bei Bedarf korrigiert sowie ergänzt.
Ansätze
Es gibt drei algorithmische Ansätze:
- Unsupervised Learning, wird auch als unüberwachtes Lernen bezeichnet
- Supervised Learning, wird auch als überwachtes Lernen bezeichnet
- Reinforcement Learning, wird auch als bestärkendes Lernen bezeichnet
Anwendungsgebiete
Überall da, wo effektiveres, komfortableres und schnelleres Arbeiten notwendig ist, findet auch Machine Learning statt. Gerade im Industrie- und Technologiebereich, wo automatisierte Prozesse stattfinden, wird feature learning angewandt. Frühwarnsysteme reagieren beispielsweise bei sich ankündigenden Schäden, Mängeln oder Ausfällen. In der Medizin unterstützt Machine Learning Ärzte unter anderem bei Operationen und Forschern bei der Krebs- sowie Impfstoffforschung.
Weitere Anwendungsgebiete:
- Buch- und Filmempfehlungen
- Diverse Rankingsysteme
- Gesichts- und Spracherkennung
- Analyse von Daten
- Wege der Therapiefindung bei Patienten
- Customer-Relationship-Management
- Bildgebende Analysen wie MRT oder CT
- Abwehr von Internetgefahren
- Vorhersage vom Wetter
- Ermittlungen und Fahndungen
- Generelle Analyse von Bewegungs- und Kaufverhalten von Kunden
