Maschinelles Lernen und dessen Lernmethoden

Maschinelles Lernen (ML) ist ein Teilgebiet der Künstlichen Intelligenz (KI), das sich mit der automatischen Erkennung von Mustern und Gesetzmäßigkeiten in Daten befasst. Dazu extrahiert ein Algorithmus Zusammenhänge aus einem initialen Satz an Trainingsdaten und entwickelt darauf aufbauend ein Modell. Die im Modell repräsentierten Zusammenhänge behalten ihre Gültigkeit auch für neu generierte Daten, wodurch Vorhersagen möglich werden.

Das Maschinelle Lernen lässt sich in vier verschiedene Lernmethoden unterteilen: Supervised Learning, Unsupervised Learning, Reinforcement Learning und Transfer Learning. Diese Methoden definieren, wie Modelle aus Daten lernen. Sie bestimmen den Lernprozess und die Art der Daten, die verwendet werden.¹

1. Supervised Learning (Überwachtes Lernen)

Beim Supervised Learning wird das Modell mit beschrifteten Daten trainiert; das heißt, die Eingabedaten sind mit den richtigen Ausgaben verknüpft. Ziel ist es, eine Funktion zu identifizieren, die die Eingabedaten korrekt in die entsprechenden Ausgaben umwandelt. Typische Aufgaben des überwachten Lernens sind Klassifikation (z. B. Spam-Erkennung in E-Mails) und Regression (z. B. Preisvorhersagen). Der Algorithmus wird so lange angepasst, bis er in der Lage ist, neue, unbekannte Daten korrekt zu klassifizieren oder vorherzusagen.

2. Unsupervised Learning (Unüberwachtes Lernen)

Im Gegensatz zum Supervised Learning arbeitet das Unsupervised Learning mit unbeschrifteten Daten. Hier gibt es keine expliziten Ausgaben, die das Modell lernen könnte. Stattdessen versucht der Algorithmus, Muster oder Strukturen in den Eingabedaten selbst zu erkennen. Zwei gängige Techniken sind Clusterbildung, bei der Datenpunkte in Gruppen eingeteilt werden (z. B. Kundensegmentierung), und Dimensionsreduktion, bei der die Daten auf weniger Merkmale reduziert werden, um die Komplexität zu verringern (z. B. in der Bildverarbeitung).

3. Reinforcement Learning (Bestärkendes Lernen)

Reinforcement Learning unterscheidet sich stark von den beiden vorherigen Ansätzen. Hier handelt es sich um einen Lernprozess durch Interaktion mit seiner Umgebung. Der Algorithmus trifft Entscheidungen oder führt Handlungen aus und erhält für jede Aktion Belohnungen oder Bestrafungen. Ziel ist es, durch Trial-and-Error eine Strategie zu entwickeln, die langfristig die höchste Belohnung einbringt. Dabei muss der so genannte Agent häufig abwägen, ob er bewährte, erfolgreiche Aktionen (Exploitation) ausführt oder neue, unerforschte Handlungen ausprobiert (Exploration), um seine Leistung weiter zu verbessern. Ein klassisches Beispiel für die Nutzung des Reinforcement Learnings ist die Entwicklung selbstfahrender Autos, die durch wiederholte Interaktionen und Feedback lernen, optimale Entscheidungen zu treffen.²

4. Transfer Learning (Transfer Lernen)

Transfer Learning ist eine spezielle Technik, bei der Wissen, das in einem Modell für eine bestimmten Aufgabe erlernt wurde, auf eine neue, verwandte Aufgabe übertragen wird. Anstatt ein Modell für jede neue Aufgabe von Grund auf neu zu trainieren, wird ein bereits trainiertes Modell als Ausgangspunkt genutzt und für die spezifische neue Aufgabe angepasst. Diese Methode ist besonders nützlich, wenn nur begrenzte Daten für die neue Aufgabe zur Verfügung stehen. Ein typisches Beispiel ist die Bilderkennung, bei der ein Modell, das auf einem großen Datensatz trainiert wurde, für spezifische Anwendungen, wie die Klassifikation von medizinischen Bildern, angepasst wird.²

Literaturnachweise

[1] IIqbal H. Sarker, „Machine Learning: Algorithms, Real-World Applications and Research Directions“, in: SN computer science 2, 2021.

[2] Frank Emmert‐Streib und Matthias Dehmer, „Taxonomy of machine learning paradigms: A data‐centric perspective“, in: WIREs Data Mining and Knowledge Discovery, 2022.