© Jiri Vaclavek/Shutterstock.com
Entwickler Magazin
Mathematische Grundlagen für maschinelles Lernen

Die Wurzel des Machine Learnings

Machine Learning ist vor allem durch die Erfolge im Deep Learnig und durch das Potenzial populär geworden, große, unstrukturierte Datenmengen verarbeiten zu können. Die Technologie an sich ist aber nicht neu, hat sehr viele Facetten und fundierte mathematische Grundlagen. Denen wollen wir hier auf die Spur kommen.

Andreas Bühlmeier


Machine Learning fasziniert, weil damit Lösungen gefunden werden können, die man vorher so nicht beschreiben konnte. So scheint es fast magisch zu funktionieren, was natürlich nicht der Fall ist, da man ja die Algorithmen programmieren muss. Wenn man neu in das Thema einsteigt, ist es schwierig, den Überblick zu behalten und zu verstehen, wann und warum einzelne Verfahren für bestimmte Aufgaben funktionieren und wann nicht. Darum veranschaulichen wir hier die wichtigsten Ansätze. Anstatt verschiedene Methoden völlig getrennt zu behandeln, gehen wir entlang der Gemeinsamkeiten vor, um dann die verschiedenen Ausprägungen dazustellen, ohne dabei bis ins letzte Detail gehen.

Die Blackbox-Sicht

Der Einsatz von Machine Learning erfolgt meist nach dem folgenden Muster: Wir haben Eingangsdaten, das können Kameradaten, Börsendaten, Text oder Sonstiges sein. Das System soll diese Daten verarbeiten und dabei lernen, möglichst gut zu funktionieren (dazu später mehr). Die Ausgangsdaten können dann z. B. Klassifizierungen der Eingangsdaten sein, also beispielsweise angeben, ob ein Auto erkannt wurde, ein Fußgänger, oder man eine bestimmte Aktie kaufen sollte. Es wird meist Feedback gegeben, das lauten kann, dass der Ausgang falsch oder richtig gewählt wurde oder welcher Ausgang richtig gewesen wäre (Abb. 1). Wenn das Feedback t das gewünschte Ergebnis darstellt und die Differenz von tatsächlichem und gewünschtem Ergebnis zur Optimierung von M herangezogen wird, spricht man vom sogenannten überwachten Lernen (Supervised Learning), womit wir uns als Erstes beschäftigen wollen.

Abb. 1: Ein Machine-Learning-System besitzt immer einen Input, einen Ausgang und bekommt optional Feedback zur Bewertung seiner Ausgaben

Mathematik

Was immer wir als mathematischen Algorithmus aufschreiben können, kann programmiert werden. Im Fall der obigen Zeichnung ist die Abbildung des Eingangs x (Kameradaten) auf den Ausgang y („Auto“ oder „Fußgänger“) am einfachsten wie folgt zu formulieren: y=f(x).

Das heißt, die Aufgabe des Machine-Learning-Systems f ist, sich selbst so zu verbessern (also zu lernen), dass die gewünschte Größe y erzielt wird. Die Ausgangsgröße y kann oftmals als binär angenommen werden. Wir können diese Aufgabe des Verbesserns auch als Optimierungsaufgabe auffassen, womit genau das wesentliche innere Prinzip des Machine Learnings beschrieben ist. Neben diesem inneren Prinzip sind allerdings viele weitere Dinge zu betrachten. Die Optimierung ist nämlich in komplexe Strukturen ei...

Entwickler Magazin
Mathematische Grundlagen für maschinelles Lernen

Die Wurzel des Machine Learnings

Machine Learning ist vor allem durch die Erfolge im Deep Learnig und durch das Potenzial populär geworden, große, unstrukturierte Datenmengen verarbeiten zu können. Die Technologie an sich ist aber nicht neu, hat sehr viele Facetten und fundierte mathematische Grundlagen. Denen wollen wir hier auf die Spur kommen.

Andreas Bühlmeier


Machine Learning fasziniert, weil damit Lösungen gefunden werden können, die man vorher so nicht beschreiben konnte. So scheint es fast magisch zu funktionieren, was natürlich nicht der Fall ist, da man ja die Algorithmen programmieren muss. Wenn man neu in das Thema einsteigt, ist es schwierig, den Überblick zu behalten und zu verstehen, wann und warum einzelne Verfahren für bestimmte Aufgaben funktionieren und wann nicht. Darum veranschaulichen wir hier die wichtigsten Ansätze. Anstatt verschiedene Methoden völlig getrennt zu behandeln, gehen wir entlang der Gemeinsamkeiten vor, um dann die verschiedenen Ausprägungen dazustellen, ohne dabei bis ins letzte Detail gehen.

Die Blackbox-Sicht

Der Einsatz von Machine Learning erfolgt meist nach dem folgenden Muster: Wir haben Eingangsdaten, das können Kameradaten, Börsendaten, Text oder Sonstiges sein. Das System soll diese Daten verarbeiten und dabei lernen, möglichst gut zu funktionieren (dazu später mehr). Die Ausgangsdaten können dann z. B. Klassifizierungen der Eingangsdaten sein, also beispielsweise angeben, ob ein Auto erkannt wurde, ein Fußgänger, oder man eine bestimmte Aktie kaufen sollte. Es wird meist Feedback gegeben, das lauten kann, dass der Ausgang falsch oder richtig gewählt wurde oder welcher Ausgang richtig gewesen wäre (Abb. 1). Wenn das Feedback t das gewünschte Ergebnis darstellt und die Differenz von tatsächlichem und gewünschtem Ergebnis zur Optimierung von M herangezogen wird, spricht man vom sogenannten überwachten Lernen (Supervised Learning), womit wir uns als Erstes beschäftigen wollen.

Abb. 1: Ein Machine-Learning-System besitzt immer einen Input, einen Ausgang und bekommt optional Feedback zur Bewertung seiner Ausgaben

Mathematik

Was immer wir als mathematischen Algorithmus aufschreiben können, kann programmiert werden. Im Fall der obigen Zeichnung ist die Abbildung des Eingangs x (Kameradaten) auf den Ausgang y („Auto“ oder „Fußgänger“) am einfachsten wie folgt zu formulieren: y=f(x).

Das heißt, die Aufgabe des Machine-Learning-Systems f ist, sich selbst so zu verbessern (also zu lernen), dass die gewünschte Größe y erzielt wird. Die Ausgangsgröße y kann oftmals als binär angenommen werden. Wir können diese Aufgabe des Verbesserns auch als Optimierungsaufgabe auffassen, womit genau das wesentliche innere Prinzip des Machine Learnings beschrieben ist. Neben diesem inneren Prinzip sind allerdings viele weitere Dinge zu betrachten. Die Optimierung ist nämlich in komplexe Strukturen ei...

Neugierig geworden?


   
Loading...

Angebote für Teams

Für Firmen haben wir individuelle Teamlizenzen. Wir erstellen Ihnen gerne ein passendes Angebot.

Das Library-Modell:
IP-Zugang

Das Company-Modell:
Domain-Zugang