Maschinelles Lernen

Buchreferenz für maschinelles Lernen

Maschinelles Lernen ist ein Bereich der Informatik, der Computersystemen die Fähigkeit gibt, mit Daten zu "lernen" (d. H. Die Leistung bei einer bestimmten Aufgabe schrittweise zu verbessern), ohne explizit programmiert zu werden.

Der Name Maschinelles Lernen wurde 1959 von Arthur Samuel geprägt. Das maschinelle Lernen ist aus dem Studium der Mustererkennung und der Theorie des rechnergestützten Lernens in der künstlichen Intelligenz hervorgegangen und untersucht das Studium und die Konstruktion von Algorithmen, die aus Daten lernen und Vorhersagen treffen können. Solche Algorithmen werden nach streng statischen Programmanweisungen überwunden, indem datengesteuerte Vorhersagen oder Entscheidungen getroffen werden , 2 durch Erstellen eines Modells aus Beispieleingaben. Maschinelles Lernen wird in einer Reihe von Computeraufgaben eingesetzt, bei denen das Entwerfen und Programmieren expliziter Algorithmen mit guter Leistung schwierig oder nicht durchführbar ist. Beispielanwendungen sind E-Mail-Filterung, Erkennung von Netzwerk-Eindringlingen oder böswilligen Insidern, die auf einen Datenverstoß hinarbeiten, optische Zeichenerkennung (OCR), Lernen des Rankings und Computer Vision.

Maschinelles Lernen ist eng mit Computerstatistiken verbunden (und überschneidet sich häufig mit diesen), die sich auch auf die Vorhersage mithilfe von Computern konzentrieren. Es ist eng mit der mathematischen Optimierung verbunden, die dem Feld Methoden, Theorie und Anwendungsbereiche liefert. Maschinelles Lernen wird manchmal mit Data Mining in Verbindung gebracht, wobei sich das letztere Teilfeld mehr auf die explorative Datenanalyse konzentriert und als unbeaufsichtigtes Lernen bezeichnet wird. vii Maschinelles Lernen kann auch unbeaufsichtigt sein und verwendet werden, um grundlegende Verhaltensprofile für verschiedene Entitäten zu lernen und zu erstellen und dann um sinnvolle Anomalien zu finden.

Im Bereich der Datenanalyse ist maschinelles Lernen eine Methode, mit der komplexe Modelle und Algorithmen entwickelt werden, die sich für Vorhersagen eignen. Im kommerziellen Einsatz wird dies als Predictive Analytics bezeichnet. Diese analytischen Modelle ermöglichen es Forschern, Datenwissenschaftlern, Ingenieuren und Analysten, "zuverlässige, wiederholbare Entscheidungen und Ergebnisse zu erzielen" und "verborgene Erkenntnisse" aufzudecken, indem sie aus historischen Beziehungen und Trends in den Daten lernen.

Effektives maschinelles Lernen ist schwierig, da das Finden von Mustern schwierig ist und häufig nicht genügend Trainingsdaten verfügbar sind. Daher können maschinelle Lernprogramme häufig keine Ergebnisse liefern.