Machine Learning | Machine Learning Algorithms | Einfach erklärt

Machine Learning Definition

Maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz. Der Schwerpunkt liegt dabei hauptsächlich auf dem Trainieren von Computern. Und genauso, wie das auch bei uns Menschen ist, ist es auch bei Maschinen, dass je mehr Daten sie zur Verfügung haben, desto besser und schneller können sie lernen und dieses neue Wissen anwenden. Unterm Strich ist das Ziel Daten intelligent mithilfe von Algorithmen miteinander zu verknüpfen, gewisse Zusammenhänge zu erkennen, potentielle Vorhersagen zu treffen oder Wahrscheinlichkeiten zu berechnen. Wie zum Beispiel Kaufwahrscheinlichkeiten, um dir so immer passendere Anzeigen von für du interessanten Käufen zu geben. Das bedeutet auch, dass der Algorithmus aus den jeweiligen Daten selbstständig lernt und seinen Programmcode alleine erstellt. Anfangs ist sie noch relativ unwissend und muss mit immer mehr Informationen, also Daten, gefüttert werden. Je mehr sie bekommt, desto eigenständiger wird die Lernsoftware auf der Maschine und desto schneller können wiederum andere Prozesse erlernt werden. Damit maschinelles Lernen aber funktionieren kann und die Software die Entscheidung treffen kann, muss ein Mensch den Algorithmus zu aller erst trainieren. Durch das Bereitstellen von Trainings- und Beispieldaten, kann der Algorithmus dann Muster und Zusammenhänge erkennen und somit aus den Daten lernen. Den Prozess nennt man auch Modelltraining.

Videoinhalt:
0:00 Intro
0:45 Ziel des Machine Learnings
2:13 Beispiele Machine Learning
3:00 Daten als Grundlage
3:49 4 Arten von Machine Learning

Viel Spaß beim Schauen!

Machine Learning Beispiel

Schauen wir uns mal gemeinsam ein paar Beispiele an, um das zu verdeutlichen: Dein Email Postfach hat wahrscheinlich verschiedene Eingänge. Unter anderem auch den beliebten Spam Ordner. Die wenigsten von uns gucken da wirklich rein oder überprüfen den regelmäßig. Warum eigentlich? Weil wir uns irgendwie ganz automatisch darauf verlassen, dass die Mails gefiltert werden. Aber wer macht das, wenn wir das scheinbar
nicht tun? Die Maschine selbst. Hier kommen die Machine Learning
Algorithmen ins Spiel, die dazu verwendet werden, um Emails zu klassifizieren und Spams als solche direkt zu erkennen. Die Maleware hinterlässt gewisse Codes, die meist eine hohe Ähnlichkeit zu anderen Malewares, also Viren in Mails, haben. Sicherheitsprogramme, die durch Maschinelles Lernen unterstützt werden, verstehen das Codierungsmuster der Malware und erkennen daher neue Malware und bieten so direkt Schutz. Noch ein anderes Beispiel wären Sprachassistenten, wie Google Home oder Alexa. Sie werden immer besser und können ihrem Nutzer am schnellsten helfen, je mehr sie über ihn erfahren. Die Genauigkeit oder auch Kontextfähigkeit vom Sprachassistenten hängt damit von der Qualität der Algorithmen ab. Die Sammeln und verfeinern Informationen auf der Grundlage des früheren Verhaltens des Nutzers. Der Prozess hilft beim Anpassen der Ergebnisse an das jeweilige Benutzerprofil, was dadurch erstellt wird. Hier gilt also auch die Devise: Je mehr Datensätze, desto besser der Assistent. Aber auch auf Social Media findet Maschinelles Lernen statt.

Machine Learning Algorithms

Beim maschinellen Lernen gibt es 4 verschiedene Arten. Es gibt einmal das überwachte Lernen. Beim überwachten Lernen wird immer im Zusammenhang mit einer Zielvariable gelernt und der Algorithmus versucht diese dann richtig vorherzusagen. Als praktisches Beispiel hätten wir da unter anderem die Vorhersage für den Stromverbrauch für eine bestimmte Zeit. Dann gibt es noch das unüberwachte Lernen, wo der Algorithmus keine Beispieldaten bekommt, sondern Daten, aus denen der Algorithmus eigenständig interessante, versteckte Muster erkennen soll. Es ist also ganz im Gegensatz zum überwachten Lernen, NICHT dafür ausgelegt eine Vorhersage zu berechnen. Das teilüberwachte Lernen ist eher eine Mischung aus den ersten beiden Varianten. Es nutzt zum Einen Beispieldaten mit konkreten Zielvariablen, aber auch unbekannte Daten. Als viertes Modell gibt es noch das verstärkende Lernen, hier interagieren die Algorithmen mit der Umgebung und werden durch eine Kostenfunktion oder ein
Belohnungssystem bewertet, um so selbständig eine Strategie zur Lösung des Problems zu erlernen. Der wichtige Unterschied zu überwachtem und unüberwachtem Lernen ist, dass das bestärkende Lernen vorab keine Beispieldaten benötigt. Es wird damit die Entwicklung einer generellen Künstlichen Intelligenz angestrebt.

Du bist neugierig geworden? Dann informiere Dich hier über den Studiengang Applied Artificial Intelligence:


Folge uns auf Social Media! 

[Florian.Dalwigk]

Als Pentester schmerzt die Schreibweise und Aussprache des Worts MALware schon sehr.
Visualisierungen findet man hier leider auch nicht :/

[linuxtuxfriend]

Bitte Malware richtig schreiben und aussprechen! Das könnt ihr bestimmt besser.