Was ist maschinelles Lernen - ELI5

Ich hatte kürzlich ein Treffen mit einer Person, die zum ersten Mal mit maschinellem Lernen vertraut gemacht wurde. Es war interessant zu erfahren, wie jemand, der auf diesem Gebiet völlig neu ist, interpretieren würde, was maschinelles Lernen sein würde. Er konnte den Begriff Lernen sofort mit dem verbinden, was die meisten Datenwissenschaftler nennen würden Verstärkendes Lernen. Er dachte, eine Maschine könne Phänomene beobachten und sich selbst verfeinern. Es ist seltsam, dass der eine Zweig der künstlichen Intelligenz, mit dem sich ein Laie am besten verbinden kann, der am wenigsten erforschte ist. Ich hoffe, dass die jüngste Arbeit von Google Deepmind im Bereich Deep Reinforcement Learning dies ändern wird.

Als Mitbegründer von ParallelDots, einem Startup, dessen Kernangebot KI-Technologien sind, erkläre ich vielen Menschen (Kunden, potenzielle Investoren, andere Enthusiasten) maschinelles Lernen (oder noch schlimmer die Deep-Learning-Techniken, die wir verwenden), was genau Machine Learning ist und wie wir es nutzen können. Hier werde ich versuchen, dieselben Punkte zu präsentieren. Es ist eine sehr subjektive Beschreibung des Themas und seiner Anwendungen.

Einführung in maschinelles Lernen

Maschinelles Lernen ist eine Reihe von Methoden, die es dem Computer ermöglichen, Entscheidungen zu treffen oder Schlussfolgerungen abzuleiten, ohne dass wir ihn leiten.

„Also, wenn wir den Computer nicht steuern, wie lernt er dann?“

Genau wie ein Mensch kann ein Computer aus drei Quellen lernen. Die eine besteht darin, zu beobachten, was andere in ähnlichen Situationen getan haben. Die andere besteht darin, eine Situation zu beobachten und zu versuchen, vor Ort die bestmögliche Logik zu finden, um zu entscheiden oder zu schließen. Die dritte besteht darin, aus früheren Fehlern/Erfolgen zu lernen.

Arten des maschinellen Lernens

Überwachtes, unbeaufsichtigtes und verstärkendes Lernen sind drei Zweige des maschinellen Lernens.

Beim überwachten Lernen kann ein Computer Hausmerkmale und Preise von 200 Häusern sehen und den Preis des 201. Hauses ermitteln, wenn dessen Eigenschaften bekannt sind. Oder es kann sagen, welches Wort in einem Satz der Name einer Stadt ist, vorausgesetzt, es werden Beispielsätze gezeigt, die Namen von Städten enthalten können oder nicht, und jedes Vorkommen eines Stadtnamens ist in diesen Beispielen markiert.

Beim unbeaufsichtigten Lernen bitten wir den Computer, Entscheidungen auf der Grundlage von Rohdatenattributen und einer Reihe messbarer Größen zu treffen. Einige Beispiele hierfür wären, einen Computer zu bitten, Orte in einem Datensatz zu ermitteln, bei dem Lat-Long of House angegeben ist. Es würde Lat Long verwenden, um Entfernungen zu ermitteln und die Orte eines Hauses zu bestimmen. Wir können es auch bitten, eine verkürzte Version eines Blogbeitrags zu erstellen, basierend auf dem Vorkommen von Wörtern im Beitrag. Beachten Sie, dass keine von anderen getroffenen Entscheidungen an den Computer weitergegeben werden. Wie man sich vorstellen kann, kommen diese Methoden der menschlichen Subjektivität vielleicht nicht ganz nahe, denn im Gegensatz zu Modellen des überwachten maschinellen Lernens, die versuchen, menschliche Inferenz nachzuahmen, würden diese Modelle Entscheidungen auf der Grundlage einiger mathematischer Größen treffen, um die wir sie bitten.

Die dritte Art des maschinellen Lernens ist Reinforcement Learning. Dies ist eine Methode, bei der der Computer zunächst zufällige Entscheidungen trifft und dann auf der Grundlage von Fehlern und Erfolgen lernt, auf die er dabei stößt. Kürzlich wurde ein Algorithmus entdeckt, der viele verschiedene Arcade-Spiele spielen konnte, nachdem er die richtigen/falschen Züge gelernt hatte. Diese Algorithmen würden am Anfang damit beginnen, viele Fehler zu machen und dann im Laufe der Zeit besser zu werden.

Was ist Deep Learning?

Wenn Sie den letzten Absatz genau beobachtet haben, haben Sie vielleicht gesehen, dass ich mehr als einmal von „Attributen“ gesprochen habe. Die Eigenschaften eines Objekts spielen eine entscheidende Rolle dabei, welche Entscheidung der Computer diesbezüglich treffen sollte. Was diese Attribute sein sollten, war bis vor einiger Zeit die wichtigste Frage für einen Datenwissenschaftler. Für eine Immobilienpreisprognose war es einfach, sich diese mathematischen Attribute auszudenken. Sagen wir, Teppich, Fläche eines Hauses, unabhängig davon, ob es älter als 10 Jahre ist oder ob es sich in einer Stadt/einem Dorf befindet, daraus lässt sich leicht ableiten, dass sie die Kosten des Hauses beeinflussen würden. Aber was ist mit Text, Bildern, Zeitreihen und ähnlichem? Es ist mathematisch schwer zu sagen, wie ein menschliches Auge auf einem Foto aussehen würde oder wie eine Q-Wave in einem EKG-Bericht aussehen würde. Deep Learning fordert den Computer auf, diese Muster selbst abzuleiten. Dies wird erreicht, indem viele Schichten von Neuronen übereinander angeordnet werden. So wie das Neuron eine Einheit des Gehirns ist, ist es auch eine mathematische Einheit des Künstliches tiefes neuronales Netzwerk.

Wie kann maschinelles Lernen meinem Unternehmen helfen?

Automatisieren Sie jeden Inferenzprozess. Dabei kann es sich um die Entscheidung handeln, welche Artikel/Rohstoffe einem Benutzer empfohlen werden sollen, ob der Benutzer über eine Kreditkartentransaktion informiert werden soll oder ob die Arbeit eines Funktionsanalysten, der versucht, Ausgaben in Kategorien zu unterteilen, maschinelles Lernen ist für Sie da!

Ich hoffe, das klärt einige Aspekte für Leute, die versuchen, in das maschinelle Lernen einzusteigen, oder für Leute, die sich nicht sicher sind, ob es ihrem Unternehmen irgendwie helfen kann.

ParallelDots AI APIs sind ein Deep Learning-basierter Webservice von ParallelDots Inc., der eine große Menge an unstrukturiertem Text und visuellen Inhalten erfassen kann, um Ihre Produkte zu verbessern. Sie können sich einige unserer ansehen Textanalyse-APIs und kontaktieren Sie uns, indem Sie dieses Formular ausfüllen hier oder schreiben Sie uns an apis@paralleldots.com

‍