Beim maschinellen Lernen oder auch “machine learning” lernt eine künstliche Intelligenz bzw. eine Maschine aus vorliegenden Daten bestimmte Muster oder Gesetzmäßigkeiten zu filtern und diese für die Erfassung und Einordnung neuer Daten zu generalisieren. Ein Beispiel ist das selbstständige, maschinelle Unterscheiden zwischen Spam und erwünschten elektronischen Nachrichten.
Die Eigenschaften Maschinellen Lernens
Maschinelles Lernen ist insbesondere auf die Generalisierung ausgerichtet. Erfahrungen und Wissen bezüglich bekannter Daten oder Probleme ist die Basis des künstlichen neuronalen Netzes für eine Verallgemeinerung oder das Erkennen eines Musters. Dieses Muster kann mit Hilfe des gegebenen Algorithmus dann auf unbekannte, neue Daten angewendet werden. Das Ergebnis sind sinnvolle und Vorhersagen, die anhand von Fehlern und dementsprechend geänderten Rechenvorschriften immer genauer werden. Maschinelles Lernen und die Ergebnisse der verwendeten Algorithmen bringt folglich keine garantierten Daten hervor, sondern vielmehr mehr oder minder wahrscheinliche Ergebnisse.
Als Basis dienen Algorithmen, anhand derer die Maschine mittels unterschiedlicher Methoden “lernt” ohne auf jede mögliche Eingabe gesondert programmiert zu sein. Drei besonders wichtige Algorithmen sind das überwachte Lernen, das unüberwachte Lernen und das bestärkende Lernen. Das überwachte Lernen wird von einem “Lehrer” gesteuert, der sowohl die Ein- als auch die Ausgaben einer Funktion bereitstellt. Die eingegebenen Parameter wie auch die Ergebnisse sind bekannt und gesichert und dienen dem System als Berechnungsgrundlage.
Das unüberwachte Lernen gründet sich auf einer bestimmten Menge an Eingaben, die als Grundlage für ein konkretes Modell dienen, welches wiederum die Berechnung von Prognosen ermöglicht. Dabei wird nicht anhand von bereits gesicherten Resultaten und den zuvor eingespeisten Angaben gelernt und ebenfalls nicht über Bestärkung, sondern ausschließlich mittels der Eingaben und der nachfolgenden Erkennung von Mustern und der Segmentierung oder auch der Komprimierung der Daten. Das bestärkende oder auch verstärkende Lernen funktioniert durch die Belohnung für richtiges Agieren des Algorithmus. Durch bestimmte Strategien soll der erwartete Gewinn möglichst hoch ausfallen und die Fehlerquote niedrig.
Anwendungensbereiche für Machine Learning
Die Simulation von Lernprozessen wird in vielerlei Bereichen genutzt. Als Beispiele können hier Sprach- und Schrifterkennung sowie die optische Zeichenerkennung (im Englischen: Optical character recognition, OCR) genannt werden, bei der der Computer handgeschriebene Dokumente oder Bilder mit Schriftanteilen erkennt und sie in maschinellen Text umwandelt. Weitere Anwendungsgebiete maschinellen Lernens sind Computerspiele, Aktienmarktanalysen, Suchmaschinen oder die Entwicklung von Robotern und viele weitere.
