Was ist maschinelles Lernen?

Kurz: Maschinelles Lernen (ML) bedeutet, dass ein Computer aus Beispielen eine Funktion lernt, statt dass ein Mensch sie von Hand programmiert. Man gibt Eingaben und gewünschte Ausgaben, das Verfahren findet die Zuordnung.

Genauer: Ein Modell ist eine Funktion mit einstellbaren Zahlen (Parametern, Gewichten). Beim Training vergleicht man die Vorhersage mit der richtigen Antwort, misst den Fehler (Verlust) und ändert die Parameter so, dass der Fehler kleiner wird. Das wiederholt man millionenfach.

Im Detail

• Beispiel: Spam-Erkennung. Statt Regeln zu schreiben („enthält das Wort Gewinn“) zeigt man Tausende Mails mit Markierung Spam/kein Spam. Das Modell lernt Gewichte für Wörter und Muster.
• Der Lernzyklus: Vorhersage → Fehler messen → Parameter anpassen → wiederholen, bis es gut genug ist.
• Lernarten: Überwachtes Lernen (mit Antworten), unüberwachtes Lernen (ohne), Verstärkungslernen (mit Belohnung), siehe Lernarten: überwacht, unüberwacht, verstärkend.
• Verallgemeinerung: Ziel ist, auf neuen, ungesehenen Daten gut zu sein, nicht nur auf den Trainingsdaten, siehe überanpassung-und-bias-varianz-abwägung.
• Grenzen: Das Modell ist nur so gut wie seine Daten und das Ziel, das man ihm gibt.
• Alltag: Empfehlungen, Navigations-Staus, Gesichtserkennung, Übersetzung, Sprachassistenten, Kredit-Scoring.

Siehe auch: Daten, Merkmale und Labels, gradientenabstieg-und-lernen-aus-daten