Was ist maschinelles Lernen?

Maschinelles Lernen ist ein Bereich der Informatik, der statische Technologien verwendet, um Computersystemen die Fähigkeit zu geben, mit Daten, ohne zu „Lernen“. wird explizit programmiert.

Das heißt, "ML dreht sich alles um das Lernen aus Daten"

Explizite Programmierung bedeutet, Codes für jedes Szenario zu schreiben, um diese Situation zu bewältigen.

Anstatt beim maschinellen Lernen expliziten Code für jedes Szenario zu schreiben, trainieren wir Modelle, um Muster aus Daten zu lernen, sodass sie Vorhersagen oder Entscheidungen für unsichtbare Situationen.

Wir geben also Eingabe und Ausgabe, schreiben aber keinen Code für jeden einzelnen Fall. ML-Algorithmen verarbeiten sie automatisch.

Ein einfaches Beispiel kann sein:

Summationsfunktion:

Um bei der expliziten Programmierung zwei Zahlen hinzuzufügen, schreiben wir speziellen Code, der nur für diesen Fall funktioniert. Dieser Code funktioniert nicht zum Hinzufügen von 5 oder N Zahlen ohne Änderung.

Im Gegensatz dazu können wir mit ML eine Excel-Datei bereitstellen, in der jede Zeile unterschiedliche Zahlen und deren Summe enthält. Während der ML-Algorithmus diesen Datensatz trainiert, lernt er das Additionsmuster. Wenn in Zukunft 2, 10 oder N Zahlen gegeben werden, kann es die Addition basierend auf dem erlernten Muster durchführen, ohne dass für jedes Szenario ein spezifischer Code erforderlich ist.

Wo verwenden wir ML?

• E-Mail-Spam-Klassifikator:

Bei der expliziten Programmierung habe ich mehrere if-else-Bedingungen geschrieben, wie zum Beispiel: „Wenn ein Schlüsselwort dreimal oder öfter vorkommt, wird es als Spam gekennzeichnet.“ Wenn beispielsweise das Wort „Huge“ dreimal verwendet wird, wird es als Spam markiert.

Stellen Sie sich nun vor, ein Werbeunternehmen erkennt, dass es einen solchen Algorithmus gibt, um seinen Spam zu erkennen. Anstatt also „Huge“ dreimal zu wiederholen, verwenden sie Synonyme wie „Huge“, „Massive“ und „Big“. In diesem Fall würde die ursprüngliche Regel nicht funktionieren. Was wäre die Lösung? Sollte ich meine bisherigen Algorithmen noch einmal ändern? Wie oft werde ich das schaffen?

In ML lernt das Modell aus den bereitgestellten Daten und erstellt automatisch Algorithmen basierend auf diesen Daten. Wenn sich die Daten ändern, passt sich der Algorithmus entsprechend an. Es besteht keine Notwendigkeit, den Algorithmus manuell zu ändern, er aktualisiert sich bei Bedarf basierend auf den neuen Daten.

• Bildklassifizierung:

Bei der expliziten Programmierung für die Bildklassifizierung müssten wir manuell Regeln schreiben, um Merkmale eines Hundes zu identifizieren, wie seine Form, Größe, Fellfarbe oder Schwanz. Diese Regeln würden nur für bestimmte Bilder funktionieren und ließen sich nicht gut auf alle Hunderassen übertragen. Wenn wir auf neue Rassen oder Variationen stoßen würden, müssten wir für jede neue Regeln hinzufügen.

In ML statt spezifische Regeln zu schreiben, stellen wir dem Modell einen großen Datensatz von Hundebildern zur Verfügung, die nach Rasse gekennzeichnet sind. Das Modell lernt dann Muster aus den Daten, etwa die gemeinsamen Merkmale verschiedener Rassen, und verwendet dieses erlernte Wissen, um neue Hundebilder zu klassifizieren, auch wenn es genau diese Rassen noch nie zuvor gesehen hat. Der Algorithmus passt sich automatisch an Variationen in den Daten an.

Außerdem gibt es Tausende von Anwendungen von ML. Sie fragen sich vielleicht:
Warum war maschinelles Lernen vor 2010 nicht so beliebt?

• Begrenzte Speicherkapazität machte es aufgrund des Mangels an Festplatten schwierig, große Datenmengen zu speichern.
• Es waren nicht genügend Daten verfügbar, um Modelle für maschinelles Lernen effektiv zu trainieren.
• Hardwareeinschränkungen, wie etwa weniger leistungsstarke GPUs und Prozessoren, schränkten die Fähigkeit ein, komplexe Algorithmen effizient auszuführen.

Heutzutage generieren wir jeden Tag Millionen von Datenpunkten. Mithilfe dieser riesigen Datenmenge werden ML-Modelle jetzt genauer, effizienter und in der Lage, komplexe Probleme zu lösen. Sie können Muster lernen, Vorhersagen treffen und Aufgaben in verschiedenen Bereichen wie Gesundheitswesen, Finanzen und Technologie automatisieren, wodurch die Entscheidungsfindung verbessert und Innovationen vorangetrieben werden.

Vielen Dank, dass Sie sich die Zeit genommen haben, dies durchzulesen.