Deep Learning vs. Maschinelles Lernen

Sie sollten sich fragen, wie viele Daten benötigt werden, wie die gesammelten Daten in Test- und Trainingssätze aufgeteilt werden und ob ein vortrainiertes ML-Modell verwendet werden kann. Trainieren, validieren, optimieren und implementieren Sie generative KI, Basismodelle und maschinelle Lernfunktionen mit IBM watsonx.ai, einem Unternehmensstudio der nächsten Generation für KI-Entwickler. Erstellen Sie KI-Anwendungen in einem Bruchteil der Zeit mit einem Bruchteil der Daten. Ein Bayes’sches Netzwerk, Glaubensnetzwerk oder gerichtetes azyklisches grafisches Modell ist ein probabilistisches grafisches Modell, das eine Reihe von Zufallsvariablen und deren bedingte Unabhängigkeit durch einen gerichteten azyklischen Graphen (DAG) darstellt. Ein Bayes’sches Netzwerk könnte zum Beispiel die probabilistischen Beziehungen zwischen Krankheiten und Symptomen darstellen.

Sie wird für die explorative Datenanalyse verwendet, um versteckte Muster oder Gruppierungen in den Daten zu finden. Zu den Anwendungen für die Clusteranalyse gehören die Gensequenzanalyse, die Marktforschung und die Objekterkennung. ML analysiert und verbessert Fotos mithilfe von Bildklassifizierern, erkennt Objekte (oder Gesichter) in den Bildern und kann sogar künstliche neuronale Netze verwenden, um ein Foto zu verbessern oder zu erweitern, indem es vorhersagt, was jenseits seiner Grenzen liegt.

Diese Algorithmen werden auch verwendet, um Textthemen zu segmentieren, Artikel zu empfehlen und Datenausreißer zu identifizieren. Algorithmen, die auf Datensätzen trainiert wurden, die bestimmte Bevölkerungsgruppen ausschließen oder Fehler enthalten, können zu ungenauen Modellen der Welt führen, die im besten Fall versagen und im schlimmsten Fall diskriminierend sind. Wenn ein Unternehmen seine zentralen Geschäftsprozesse auf verzerrte Modelle stützt, kann dies dem Ansehen des Unternehmens schaden.

Beim unüberwachten maschinellen Lernen sucht ein Programm nach Mustern in nicht beschrifteten Daten. Unüberwachtes maschinelles Lernen kann Muster oder Trends finden, nach denen Menschen nicht explizit suchen. Ein unüberwachtes maschinelles Lernprogramm könnte zum Beispiel Online-Verkaufsdaten durchsehen und verschiedene Arten von Kunden identifizieren, die Einkäufe tätigen. Zu erklären, wie ein bestimmtes ML-Modell funktioniert, kann eine Herausforderung sein, wenn das Modell komplex ist.

Unüberwachtes Lernen findet versteckte Muster oder intrinsische Strukturen in Daten. Es wird verwendet, um Schlüsse aus Datensätzen zu ziehen, die aus Eingabedaten ohne beschriftete Antworten bestehen. Maschinen nutzen diese Daten, um zu lernen und die uns zur Verfügung gestellten Ergebnisse und Resultate zu verbessern. Diese Ergebnisse können äußerst hilfreich sein, um wertvolle Einblicke zu gewinnen und fundierte Geschäftsentscheidungen zu treffen.

Regelbasiertes maschinelles Lernen ist ein allgemeiner Begriff für jede maschinelle Lernmethode, die “Regeln” identifiziert, erlernt oder entwickelt, um Wissen zu speichern, zu manipulieren oder anzuwenden. Das definierende Merkmal eines regelbasierten Algorithmus für maschinelles Lernen ist die Identifizierung und Verwendung einer Reihe von relationalen Regeln, die zusammen das vom System erfasste Wissen darstellen. Überwachtes Lernen ist eine Methode des maschinellen Lernens, die ähnlich wie die Beziehung zwischen Schüler und Lehrer überwacht werden muss. Beim überwachten Lernen wird eine Maschine mit gut beschrifteten Daten trainiert, d.h. einige Daten sind bereits mit korrekten Ausgaben versehen. Wenn also neue Daten in das System eingespeist werden, analysieren überwachte Lernalgorithmen diese Beispieldaten und sagen mit Hilfe dieser markierten Daten korrekte Ausgaben voraus. Support-Vektor-Maschinen (SVMs), auch bekannt als Support-Vektor-Netzwerke, sind eine Reihe verwandter überwachter Lernmethoden, die für Klassifizierung und Regression verwendet werden.

Nehmen Sie zum Beispiel die Initiativen zum maschinellen Lernen während des COVID-19-Ausbruchs. KI-Tools haben dazu beigetragen, vorherzusagen, wie sich das Virus im Laufe der Zeit ausbreiten wird und wie wir es kontrollieren können. Es hat auch bei der Diagnose von Patienten geholfen, indem es Lungen-CTs analysiert und Fieber mit Hilfe von Gesichtserkennung erkannt hat. Außerdem hat es Patienten identifiziert, die ein höheres Risiko haben, eine schwere Atemwegserkrankung zu entwickeln. Das maschinelle Lernen kann auf riesige Datenmengen angewendet werden und ist viel genauer als der Mensch. Es kann Ihnen helfen, Zeit und Geld für Aufgaben und Analysen zu sparen, wie z.B. die Lösung von Kundenproblemen zur Verbesserung der Kundenzufriedenheit, die Automatisierung von Support-Tickets und die Auswertung von Daten aus internen Quellen und aus dem Internet.

Ein künstliches Neuron, das ein Signal empfängt, kann dieses verarbeiten und dann weiteren künstlichen Neuronen, die mit ihm verbunden sind, ein Signal geben. In gängigen ANN-Implementierungen ist das Signal an einer Verbindung zwischen künstlichen Neuronen eine reelle Zahl, und die Ausgabe jedes künstlichen Neurons wird durch eine nichtlineare Funktion der Summe seiner Eingaben berechnet. Künstliche Neuronen und Kanten haben in der Regel ein Gewicht, das sich im Laufe des Lernprozesses anpasst. Das Gewicht erhöht oder verringert die Stärke des Signals an einer Verbindung. Künstliche Neuronen können einen Schwellenwert haben, so dass das Signal nur gesendet wird, wenn das Gesamtsignal diesen Schwellenwert überschreitet. Verschiedene Ebenen können verschiedene Arten von Transformationen an ihren Eingaben vornehmen.

Zum Glück bietet Zendesk eine leistungsstarke KI-Lösung mit einer niedrigen Einstiegshürde. Zendesk AI wurde mit Blick auf das Kundenerlebnis entwickelt und anhand von Milliarden von Kundendienstdaten trainiert, um sicherzustellen, dass es mit nahezu jeder Supportsituation umgehen kann. KI spielt in modernen Support-Organisationen eine wichtige Rolle, von der Ermöglichung von Kundenselbstbedienung bis zur Automatisierung von Arbeitsabläufen.

Modell-Bewertungen

Maschinelles Lernen beginnt mit Daten – Zahlen, Fotos oder Text, wie z.B. Banktransaktionen, Bilder von Menschen oder sogar Bäckereiprodukten, Reparaturaufzeichnungen, Zeitreihendaten von Sensoren oder Verkaufsberichte. Die Daten werden gesammelt und vorbereitet, um als Trainingsdaten verwendet zu werden, d.h. als die Informationen, auf denen das maschinelle Lernmodell trainiert wird. Data Mining kann als eine Obermenge vieler verschiedener Methoden zur Gewinnung von Erkenntnissen aus Daten betrachtet werden.

• Die Ergebnisse selbst können schwer zu verstehen sein – vor allem die Ergebnisse komplexer Algorithmen, wie z.B. die neuronalen Netze des Deep Learning, die dem menschlichen Gehirn nachempfunden sind.
• Die Verarbeitung natürlicher Sprache ist ein Bereich des maschinellen Lernens, in dem Maschinen lernen, natürliche Sprache zu verstehen, wie sie von Menschen gesprochen und geschrieben wird, und nicht die Daten und Zahlen, die normalerweise zur Programmierung von Computern verwendet werden.
• Eine Technologie, die es einer Maschine ermöglicht, menschliches Verhalten zu stimulieren, um bei der Lösung komplexer Probleme zu helfen, wird als Künstliche Intelligenz bezeichnet.
• Infolgedessen haben Investitionen in die Sicherheit für Unternehmen zunehmend Priorität, da sie versuchen, Schwachstellen und Möglichkeiten für Überwachung, Hacking und Cyberangriffe zu beseitigen.
• Beliebte Techniken, die beim unüberwachten Lernen eingesetzt werden, sind das Nearest-Neighbor-Mapping, selbstorganisierende Karten, Singular Value Decomposition und k-means Clustering.

Das maschinelle Lernen ist der Kern des Geschäftsmodells einiger Unternehmen, wie z.B. im Fall des Vorschlagsalgorithmus von Netflix oder der Suchmaschine von Google. Andere Unternehmen befassen sich intensiv mit dem maschinellen Lernen, obwohl es nicht ihr Hauptgeschäftsfeld ist. Ein 12-monatiges Programm, das sich darauf konzentriert, die Werkzeuge der modernen Datenwissenschaft, der Optimierung und des maschinellen Lernens anzuwenden, um reale Geschäftsprobleme zu lösen.

Sprachbasierte Abfragen nutzen die Verarbeitung natürlicher Sprache (NLP) und die Stimmungsanalyse zur Spracherkennung. Maschinelles Lernen kann Bilder auf verschiedene Informationen hin analysieren, z.B. um Menschen zu identifizieren und zu unterscheiden – . Allerdings sind Algorithmen zur Gesichtserkennung umstritten. Shulman wies darauf hin, dass Hedge-Fonds bekanntlich maschinelles Lernen einsetzen, um die Anzahl der Autos auf Parkplätzen zu analysieren, was ihnen hilft, die Leistung von Unternehmen zu beurteilen und gute Wetten abzuschließen. Die Verarbeitung natürlicher Sprache ist ein Bereich des maschinellen Lernens, in dem Maschinen lernen, natürliche Sprache zu verstehen, wie sie von Menschen gesprochen und geschrieben wird, und nicht die Daten und Zahlen, die normalerweise zur Programmierung von Computern verwendet werden. Dies ermöglicht es Maschinen, Sprache zu erkennen, zu verstehen und darauf zu reagieren, sowie neuen Text zu erstellen und zwischen Sprachen zu übersetzen.

Da maschinelles Lernen oft einen iterativen Ansatz verwendet, um aus Daten zu lernen, kann das Lernen leicht automatisiert werden. Unüberwachtes Lernen wird auf Daten angewendet, die keine historischen Kennzeichnungen haben. Dem System wird nicht die “richtige Antwort” mitgeteilt. Der Algorithmus muss herausfinden, was angezeigt wird. So können beispielsweise Kundensegmente mit ähnlichen Eigenschaften identifiziert werden, die dann in Marketingkampagnen ähnlich behandelt werden können. Oder es kann die Hauptmerkmale finden, die Kundensegmente voneinander unterscheiden. Beliebte Techniken sind selbstorganisierende Karten, Nearest-Neighbor-Mapping, k-means Clustering und Singular Value Decomposition.

Wenn Sie über keines dieser Dinge verfügen, ist es vielleicht sinnvoller, maschinelles Lernen anstelle von Deep Learning einzusetzen. Deep Learning ist in der Regel komplexer, so dass Sie mindestens ein paar tausend Bilder benötigen, um zuverlässige Ergebnisse zu erhalten. Das maschinelle Lernen bietet eine Vielzahl von Techniken und Modellen, die Sie je nach Ihrer Anwendung, dem Umfang der zu verarbeitenden Daten und der Art des Problems, das Sie lösen möchten, auswählen können. Eine erfolgreiche Deep Learning-Anwendung erfordert eine sehr große Menge an Daten (Tausende von Bildern), um das Modell zu trainieren, sowie GPUs (Grafikprozessoren), um Ihre Daten schnell zu verarbeiten. Es ist auch wahrscheinlich, dass das maschinelle Lernen weiter voranschreiten und sich verbessern wird, da Forscher neue Algorithmen und Techniken entwickeln, um das maschinelle Lernen leistungsfähiger und effektiver zu machen. Es geht darum, Maschinen in ihrem Verhalten und ihren Entscheidungen menschenähnlicher zu machen, indem man ihnen die Fähigkeit gibt, zu lernen und ihre eigenen Programme zu entwickeln.

Es ist in der Lage, komplexe Probleme zu lösen und durch die Identifizierung von Mustern in Daten wichtige Erkenntnisse zu gewinnen. Jeder Algorithmus erzeugt eine bestimmte Art von Modell mit unterschiedlichen Eigenschaften. Einige Probleme des maschinellen Lernens lassen sich am besten lösen, indem man mehr als einen Algorithmus kombiniert. Sie könnten zum Beispiel zunächst ein Modell zur Merkmalsextraktion verwenden, um eine optimierte Gruppe von Prädiktoren zu erstellen, und dann ein Klassifizierungsmodell, um eine Vorhersage auf der Grundlage der Ergebnisse zu treffen. Verwenden Sie Regressionstechniken, wenn Sie mit einem Datenbereich arbeiten oder wenn die Art Ihrer Antwort eine reale Zahl ist, wie die Temperatur oder die Zeit bis zum Ausfall eines Geräts. Er definierte es als “Das Studiengebiet, das Computern die Fähigkeit verleiht, zu lernen, ohne explizit programmiert zu werden”.

Reinforcement Learning hat bei AplhaGo von Google, das den weltbesten Go-Spieler besiegt hat, enorme Ergebnisse gezeigt. 8 Min. Lesen – Durch den Einsatz von KI in Ihrem Talentakquisitionsprozess können Sie die Zeit bis zur Einstellung verkürzen, die Qualität der Bewerber verbessern und die Integration und Vielfalt erhöhen. Maschinelles Lernen ist eines der beliebtesten Teilgebiete der Künstlichen Intelligenz. Konzepte des maschinellen Lernens werden fast überall eingesetzt , z.B. im Gesundheitswesen, im Finanzwesen, in der Infrastruktur, im Marketing, bei selbstfahrenden Autos, in Empfehlungssystemen, Chatbots, sozialen Websites, Spielen, in der Cybersicherheit und vielen anderen Bereichen. Sehen Sie sich eine Diskussion mit zwei KI-Experten über Fortschritte und Grenzen des maschinellen Lernens an. Durch intellektuelle Strenge und Erfahrungslernen entwickelt dieses zweijährige Vollzeit-MBA-Programm Führungskräfte, die in der Welt etwas bewirken.

Überwachtes Lernen

Ob Sie sich dessen bewusst sind oder nicht, maschinelles Lernen ist heute allgegenwärtig – automatische Übersetzung, Bilderkennung, Sprachsuche, selbstfahrende Autos und vieles mehr. Beides sind Algorithmen, die Daten nutzen, um zu lernen, aber der entscheidende Unterschied liegt darin, wie sie diese verarbeiten und daraus lernen. Beim überwachten maschinellen Lernen wird versucht, das Verhalten des Ziels in Abhängigkeit von einer Reihe unabhängiger Attribute oder Prädiktoren zu erklären. Eine Technologie, die es einer Maschine ermöglicht, menschliches Verhalten zu stimulieren, um bei der Lösung komplexer Probleme zu helfen, wird als Künstliche Intelligenz bezeichnet. Maschinelles Lernen ist ein Teilbereich der KI und ermöglicht es Maschinen, aus vergangenen Daten zu lernen und eine genaue Ausgabe zu liefern.

Diese Algorithmen nutzen maschinelles Lernen und die Verarbeitung natürlicher Sprache, wobei die Bots aus Aufzeichnungen vergangener Gespräche lernen, um angemessene Antworten zu geben. Maschinelles Lernen übernimmt auch manuelle Aufgaben, die wir nicht in großem Umfang ausführen können – zum Beispiel die Verarbeitung der riesigen Datenmengen, die heute von digitalen Geräten erzeugt werden. Die Fähigkeit des maschinellen Lernens, Muster und Erkenntnisse aus riesigen Datensätzen zu extrahieren, hat sich zu einem wettbewerbsentscheidenden Unterscheidungsmerkmal in Bereichen entwickelt, die vom Finanzwesen und dem Einzelhandel bis zum Gesundheitswesen und der wissenschaftlichen Forschung reichen. Viele der führenden Unternehmen von heute, darunter Facebook, Google und Uber, machen maschinelles Lernen zu einem zentralen Bestandteil ihrer Arbeit. Das ursprüngliche Ziel des ANN-Ansatzes war es, Probleme auf die gleiche Weise zu lösen, wie es ein menschliches Gehirn tun würde.

Allerdings können Sie mit Modellen wie überwachtem Lernen, unüberwachtem Lernen und verstärktem Lernen ähnliche Ergebnisse erzielen und das Kundenerlebnis verbessern. Überwachtes maschinelles Lernen erstellt ein Modell, das Vorhersagen auf der Grundlage von Beweisen in Anwesenheit von Unsicherheit macht. Ein überwachter Lernalgorithmus nimmt einen bekannten Satz von Eingabedaten und bekannte Reaktionen auf die Daten (Ausgabe) und trainiert ein Modell, um vernünftige Vorhersagen für die Reaktion auf neue Daten zu erstellen. Verwenden Sie das überwachte Lernen, wenn Sie bekannte Daten für die Ausgabe haben, die Sie vorhersagen möchten.

Agenten können positives Feedback für jede gute Aktion und negatives Feedback für schlechte Aktionen geben. Da es beim Reinforcement Learning keine Trainingsdaten gibt, sind die Agenten darauf beschränkt, nur mit ihrer Erfahrung zu lernen. Beim Entscheidungsbaum-Lernen wird ein Entscheidungsbaum als Vorhersagemodell verwendet, um von Beobachtungen über ein Element (dargestellt in den Zweigen) zu Schlussfolgerungen über den Zielwert des Elements (dargestellt in den Blättern) zu gelangen. Es ist einer der Ansätze zur Vorhersagemodellierung, die in der Statistik, im Data Mining und im maschinellen Lernen verwendet werden. Baummodelle, bei denen die Zielvariable eine diskrete Menge von Werten annehmen kann, werden als Klassifizierungsbäume bezeichnet. In diesen Baumstrukturen stellen die Blätter die Klassenetiketten dar und die Zweige die Verknüpfungen der Merkmale, die zu diesen Klassenetiketten führen. Entscheidungsbäume, bei denen die Zielvariable kontinuierliche Werte (in der Regel reelle Zahlen) annehmen kann, werden Regressionsbäume genannt.

Eine Bank, die ein watsonx Assistant-System für den Kundenservice einsetzt, stellte fest, dass der Chatbot 96% aller Kundenfragen korrekt, schnell, konsistent und in mehreren Sprachen beantwortet. Mit der zunehmenden Verbreitung des maschinellen Lernens wird jeder in der Wirtschaft damit in Berührung kommen und einige Kenntnisse auf diesem Gebiet benötigen. Eine Deloitte-Umfrage aus dem Jahr 2020 ergab, dass 67% der Unternehmen maschinelles Lernen einsetzen, und 97% nutzen es oder planen, es im nächsten Jahr zu nutzen. Die Entwicklung des richtigen Modells für maschinelles Lernen zur Lösung eines Problems kann sehr komplex sein. Es erfordert Sorgfalt, Experimentierfreude und Kreativität, wie in einem Sieben-Schritte-Plan zum Aufbau eines ML-Modells beschrieben, der im Folgenden zusammengefasst wird. Das maschinelle Lernen ist ein Weg zur künstlichen Intelligenz, die wiederum die Fortschritte im Bereich der maschinellen Intelligenz vorantreibt, die ebenfalls die KI verbessern und die Grenzen zwischen maschineller Intelligenz und menschlichem Intellekt immer mehr verwischen.

Die meisten Techniken zur Dimensionalitätsreduktion können entweder als Merkmalseliminierung oder -extraktion betrachtet werden. Eine der beliebtesten Methoden zur Dimensionalitätsreduktion ist die Hauptkomponentenanalyse (PCA). Bei der PCA werden höherdimensionale Daten (z.B. 3D) in einen kleineren Raum (z.B. 2D) übertragen. Mithilfe von maschinellem Lernen können Sie die Erwähnungen Ihrer Marke in den sozialen Medien überwachen und sofort erkennen, wenn Kunden dringende Aufmerksamkeit benötigen.

Es gibt zwei Hauptkategorien des unüberwachten Lernens: Clustering – bei dem die Aufgabe darin besteht, die verschiedenen Gruppen in den Daten herauszufinden. Und die nächste ist die Dichteschätzung – die versucht, die Verteilung der Daten zu konsolidieren. Visualisierung und Projektion können auch als unüberwacht betrachtet werden, da sie versuchen, mehr Einblick in die Daten zu geben. Die Visualisierung umfasst die Erstellung von Plots und Diagrammen auf den Daten und die Projektion ist mit der Dimensionalitätsreduktion der Daten verbunden.

Dies ist besonders wichtig, weil Systeme getäuscht und untergraben werden können oder bei bestimmten Aufgaben versagen, die auch Menschen leicht erledigen können. Zum Beispiel kann die Anpassung der Metadaten in Bildern Computer verwirren – mit ein paar Anpassungen identifiziert eine Maschine das Bild eines Hundes als einen Strauß. Programme für maschinelles Lernen können darauf trainiert werden, medizinische Bilder oder andere Informationen zu untersuchen und nach bestimmten Krankheitsmerkmalen zu suchen, wie z.B. ein Tool, das das Krebsrisiko auf der Grundlage einer Mammographie vorhersagen kann. Ein Großteil der Technologie, die hinter selbstfahrenden Autos steckt, basiert auf maschinellem Lernen, insbesondere auf Deep Learning.

Maschinelles Lernen in Smartphones

Dies geschieht mit einem Minimum an menschlicher Intervention, d.h. ohne explizite Programmierung. Der Lernprozess ist automatisiert und wird anhand der Erfahrungen der Maschinen während des gesamten Prozesses verbessert. Maschinelles Lernen ist eine Anwendung der künstlichen Intelligenz, die statistische Techniken einsetzt, damit Computer lernen und Entscheidungen treffen können, ohne explizit programmiert zu werden. Sie basiert auf der Vorstellung, dass Computer aus Daten lernen, Muster erkennen und Urteile mit wenig menschlicher Unterstützung fällen können. Maschinelles Lernen ist ein Bereich der künstlichen Intelligenz, der es Systemen ermöglicht, aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. In den letzten Jahren ist das Thema aufgrund der vielen praktischen Anwendungen in einer Vielzahl von Branchen immer beliebter geworden.

Zu den Nachteilen gehören das Potenzial für verzerrte Daten, eine Überanpassung der Daten und mangelnde Erklärbarkeit. Sie können ein gewisses Maß an Trainingsfehlern aufgrund von Rauschen akzeptieren, um die Hypothese so einfach wie möglich zu halten. Bei IBM kombinieren wir die Leistung von ML und KI in IBM watsonx, unserem neuen Studio für Basismodelle, generative KI und ML.

Es wird verwendet, um die Nachteile von überwachten und unüberwachten Lernmethoden zu überwinden. Madry wies auf ein weiteres Beispiel hin, bei dem ein maschineller Lernalgorithmus, der Röntgenbilder untersucht, den Ärzten überlegen zu sein schien. Es stellte sich jedoch heraus, dass der Algorithmus die Ergebnisse mit den Maschinen korrelierte, die das Bild aufgenommen hatten, und nicht unbedingt mit dem Bild selbst. Tuberkulose tritt häufiger in Entwicklungsländern auf, die in der Regel über ältere Maschinen verfügen. Das maschinelle Lernprogramm lernte, dass der Patient mit höherer Wahrscheinlichkeit an Tuberkulose erkrankt war, wenn die Röntgenaufnahme mit einem älteren Gerät gemacht wurde. Es hat die Aufgabe erfüllt, aber nicht in der Art und Weise, die die Programmierer beabsichtigt hatten oder die sie für nützlich hielten.

Verstärkungslernen ist ein Bereich des maschinellen Lernens, der sich damit beschäftigt, wie Software-Agenten in einer Umgebung agieren sollten, um eine Art kumulative Belohnung zu maximieren. Beim Verstärkungslernen wird die Umgebung normalerweise als Markov-Entscheidungsprozess (MDP) dargestellt. Viele Algorithmen des verstärkten Lernens verwenden Techniken der dynamischen Programmierung.[55] Die Algorithmen des Verstärkungslernens setzen keine Kenntnis eines exakten mathematischen Modells des MDP voraus und werden verwendet, wenn exakte Modelle nicht durchführbar sind.

Überwachtes Lernen ist eine Klasse von Problemen, bei denen ein Modell verwendet wird, um die Zuordnung zwischen den Eingabe- und Zielvariablen zu lernen. Anwendungen, die aus den Trainingsdaten bestehen, die die verschiedenen Eingangsvariablen und die Zielvariable beschreiben, werden als überwachte Lernaufgaben bezeichnet. Dabei wird ein Probendatensatz mit mehreren Getränken genommen, für die die Farbe und der Alkoholgehalt angegeben sind.

Mit der Zeit verlagerte sich die Aufmerksamkeit jedoch auf die Ausführung bestimmter Aufgaben, was zu Abweichungen von der Biologie führte. Künstliche neuronale Netze wurden für eine Vielzahl von Aufgaben eingesetzt, darunter Computer Vision, Spracherkennung, maschinelle Übersetzung, Filterung sozialer Netzwerke, Brett- und Videospiele und medizinische Diagnose. Ein ANN ist ein Modell, das auf einer Sammlung miteinander verbundener Einheiten oder Knoten basiert, die als “künstliche Neuronen” bezeichnet werden und die Neuronen in einem biologischen Gehirn nachahmen. Jede Verbindung kann, wie die Synapsen in einem biologischen Gehirn, Informationen, ein “Signal”, von einem künstlichen Neuron zu einem anderen übertragen.

ML kann genetische Marker und Gene identifizieren, die auf eine bestimmte Behandlung oder ein bestimmtes Medikament ansprechen oder nicht ansprechen und bei bestimmten Menschen erhebliche Nebenwirkungen verursachen können. Diese fortschrittlichen Analysen können zu datengesteuerten personalisierten Medikamenten- oder Behandlungsempfehlungen führen. Bei Slack sorgt ML für Videoverarbeitung, Transkription und Live-Untertitelung, die sich leicht nach Schlüsselwörtern durchsuchen lassen und sogar dabei helfen, potenzielle Mitarbeiterfluktuation vorherzusagen. Einige Unternehmen haben auch Chatbots auf Slack eingerichtet, die ML nutzen, um Fragen und Anfragen zu beantworten. Sprachanalyse, Klassifizierung von Webinhalten, Klassifizierung von Proteinsequenzen und Klassifizierung von Textdokumenten sind einige der populärsten realen Anwendungen von semi-supervised Learning. Lesen Sie unter , wie ein KI-Pionier glaubt, dass Unternehmen maschinelles Lernen nutzen können, um sich zu verändern.

Wenn ein KI-Algorithmus eine ungenaue Vorhersage liefert, muss ein Ingenieur eingreifen und Anpassungen vornehmen. Die Erstellung eines überwachten Modells beinhaltet ein Training, bei dem die Software viele Fälle analysiert, in denen der Zielwert bereits bekannt ist. Beim Trainingsprozess “lernt” das Modell die Muster in den Daten, die es ermöglichen, Vorhersagen zu treffen. Ein Modell, das die Kunden identifizieren soll, die wahrscheinlich auf eine Werbeaktion reagieren werden, muss beispielsweise durch die Analyse der Merkmale vieler Kunden trainiert werden, von denen bekannt ist, dass sie in der Vergangenheit auf eine Werbeaktion reagiert haben oder nicht. Die Wahl des richtigen Algorithmus kann überwältigend erscheinen – es gibt Dutzende von überwachten und nicht überwachten Algorithmen für maschinelles Lernen, und jeder verfolgt einen anderen Lernansatz. ML kann nicht nur verstehen, was die Kunden sagen, sondern auch ihren Tonfall und kann sie zur Kundenbetreuung an die entsprechenden Kundendienstmitarbeiter weiterleiten.

Dank der Fortschritte in den Bereichen Statistik und Informatik sowie besserer Datensätze und dem Wachstum neuronaler Netze hat das maschinelle Lernen in den letzten Jahren einen wahren Höhenflug erlebt. Convolutional Neural Networks (CNNs) sind Algorithmen, die wie das visuelle Verarbeitungssystem des Gehirns funktionieren. Sie können Bilder verarbeiten und Objekte erkennen, indem sie eine visuelle Aufforderung filtern und Komponenten wie Muster, Textur, Formen und Farben bewerten. Beim überwachten Lernen werden Klassifizierungs- und Regressionstechniken verwendet, um maschinelle Lernmodelle zu entwickeln.

Die Modelle werden nicht mit der “richtigen Antwort” trainiert, sie müssen also selbst Muster finden. Neuronale Netzwerke sind eine häufig verwendete, spezielle Klasse von Algorithmen für maschinelles Lernen. Künstliche neuronale Netzwerke sind dem menschlichen Gehirn nachempfunden, in dem Tausende oder Millionen von Verarbeitungsknoten miteinander verbunden und in Schichten organisiert sind. Der Unterschied zwischen Deep Learning und maschinellem Lernen besteht darin, wie jeder Algorithmus lernt. Das “tiefe” maschinelle Lernen kann beschriftete Datensätze, auch bekannt als überwachtes Lernen, verwenden, um seinen Algorithmus zu informieren, aber es benötigt nicht unbedingt einen beschrifteten Datensatz.

UC Berkeley (Link liegt außerhalb von ibm.com) unterteilt das Lernsystem eines maschinellen Lernalgorithmus in drei Hauptteile. Interset ergänzt die menschliche Intelligenz mit maschineller Intelligenz, um Ihre Cyber-Resilienz zu stärken. Durch den Einsatz von fortschrittlicher Analytik, künstlicher Intelligenz und Data-Science-Expertise für Ihre Sicherheitslösungen löst Interset die Probleme, die am wichtigsten sind. Hier finden Sie weitere Informationen über KI-Kundenservice, künstliche Intelligenz und NLP. Für maschinelle Lernsysteme wurden verschiedene Arten von Modellen verwendet und erforscht. Die Auswahl des besten Modells für eine Aufgabe wird als Modellauswahl bezeichnet.

Die häufigste Anwendung ist die Gesichtserkennung, und das einfachste Beispiel für diese Anwendung ist das iPhone. Es gibt viele Anwendungsfälle für die Gesichtserkennung, vor allem für Sicherheitszwecke wie die Identifizierung von Kriminellen, die Suche nach vermissten Personen, die Unterstützung forensischer Untersuchungen usw. Intelligentes Marketing, die Diagnose von Krankheiten, die Überwachung der Anwesenheit in Schulen sind nur einige weitere Anwendungsmöglichkeiten. Das Spielen eines Spiels ist ein klassisches Beispiel für ein Verstärkungsproblem, bei dem es das Ziel des Agenten ist, eine hohe Punktzahl zu erreichen. Er macht die aufeinanderfolgenden Spielzüge auf der Grundlage des Feedbacks der Umgebung, das in Form von Belohnungen oder Bestrafungen erfolgen kann.

Die Analyselösungen von SAS verwandeln Daten in Intelligenz und inspirieren Kunden auf der ganzen Welt dazu, neue Entdeckungen zu machen, die den Fortschritt vorantreiben. Rationalisierung der Ölverteilung, um sie effizienter und kostengünstiger zu machen. Die Zahl der Anwendungsfälle für maschinelles Lernen in dieser Branche ist enorm – und wächst weiter. Auch nachdem das ML-Modell in Produktion ist und kontinuierlich überwacht wird, geht die Arbeit weiter.

Mit unserer Software können Sie Supportanfragen effizient nach Dringlichkeit kategorisieren, Arbeitsabläufe automatisieren, Wissenslücken schließen und Agenten zu neuer Produktivität verhelfen. MLPs können verwendet werden, um Bilder zu klassifizieren, Sprache zu erkennen, Regressionsprobleme zu lösen und vieles mehr. Diese Technik ermöglicht es ihm, Sprache und Bilder zu erkennen, und DL hat Bereiche wie Gesundheitswesen, Finanzen, Einzelhandel, Logistik und Robotik nachhaltig beeinflusst. Chat PG Diese Website nutzt einen Sicherheitsdienst, um sich vor Online-Angriffen zu schützen. Es gibt mehrere Aktionen, die diese Sperre auslösen können, z.B. die Übermittlung eines bestimmten Wortes oder Satzes, eines SQL-Befehls oder fehlerhafter Daten. Beim Verstärkungslernen handelt es sich um ein Problem, bei dem es einen Agenten gibt, der in einer Umgebung agiert, und zwar auf der Grundlage des Feedbacks oder der Belohnung, die dem Agenten von der Umgebung, in der er agiert, gegeben wird.

Sie können diese Bibliothek u.a. für Aufgaben wie Klassifizierung, Clustering und Regression verwenden. Google AutoML Natural Language ist eines der fortschrittlichsten Textanalyse-Tools auf dem Markt, und mit AutoML Vision können Sie das Training von benutzerdefinierten Bildanalysemodellen automatisieren und so unabhängig von Ihren Anforderungen die beste Genauigkeit erzielen. Das Lernen von Assoziationsregeln ist eine Technik des maschinellen Lernens, die zur Analyse der Kaufgewohnheiten im Supermarkt oder auf E-Commerce-Websites verwendet werden kann. Es sucht nach Beziehungen zwischen Variablen und findet gemeinsame Assoziationen in Transaktionen (Produkte, die Verbraucher normalerweise zusammen kaufen).

In einigen vertikalen Branchen müssen Datenwissenschaftler einfache Modelle für maschinelles Lernen verwenden, weil es für das Unternehmen wichtig ist, zu erklären, wie jede Entscheidung getroffen wurde. Das gilt vor allem für Branchen, in denen die Einhaltung von Vorschriften eine große Herausforderung darstellt, wie z.B. Banken und Versicherungen. Datenwissenschaftler müssen oft ein Gleichgewicht zwischen Transparenz und der Genauigkeit und Effektivität eines Modells finden. Komplexe Modelle können genaue Vorhersagen liefern, aber es kann schwierig sein, einem Laien – oder sogar einem Experten – zu erklären, wie ein Ergebnis ermittelt wurde.

Da es keine nennenswerte Gesetzgebung zur Regulierung von KI-Praktiken gibt, gibt es auch keinen wirklichen Durchsetzungsmechanismus, um sicherzustellen, dass ethische KI praktiziert wird. Der derzeitige Anreiz für Unternehmen, sich ethisch zu verhalten, sind die negativen Auswirkungen eines unethischen KI-Systems auf das Geschäftsergebnis. Um diese Lücke zu schließen, sind in Zusammenarbeit zwischen Ethikern und Forschern ethische Rahmenwerke entstanden, die die Konstruktion und Verbreitung von KI-Modellen in der Gesellschaft regeln sollen. Einige Untersuchungen (Link befindet sich außerhalb von ibm.com) zeigen, dass die Kombination aus verteilter Verantwortung und mangelnder Voraussicht möglicher Konsequenzen nicht dazu beiträgt, Schaden von der Gesellschaft abzuwenden.

Deep Learning-Modelle schneiden bei komplexen Problemen und großen Datenmengen in der Regel besser ab als andere Algorithmen für maschinelles Lernen. Allerdings benötigen sie in der Regel Millionen von Trainingsdaten, so dass es ziemlich viel Zeit braucht, sie zu trainieren. Algorithmen des überwachten Lernens und überwachte Lernmodelle machen Vorhersagen auf der Grundlage von markierten Trainingsdaten. Ein überwachter Lernalgorithmus analysiert diese Beispieldaten https://chat.openai.com/ und macht eine Schlussfolgerung – im Grunde eine fundierte Vermutung bei der Bestimmung der Bezeichnungen für ungesehene Daten. Anstatt Algorithmen für maschinelles Lernen zu programmieren, um Aufgaben auszuführen, können Sie sie mit Beispielen markierter Daten (den so genannten Trainingsdaten) füttern, die ihnen helfen, Berechnungen durchzuführen, Daten zu verarbeiten und Muster automatisch zu erkennen. Semi-überwachtes Lernen funktioniert, indem eine kleine Menge an markierten Trainingsdaten in einen Algorithmus eingespeist wird.

Überwachtes Lernen wird häufig in Anwendungen eingesetzt, bei denen historische Daten wahrscheinliche zukünftige Ereignisse vorhersagen. So kann es beispielsweise vorhersehen, wann eine Kreditkartentransaktion wahrscheinlich betrügerisch ist oder welcher Versicherungskunde wahrscheinlich einen Schadensfall melden wird. Unüberwachte maschinelle Lernalgorithmen benötigen keine beschrifteten Daten. Sie durchsuchen unbeschriftete Daten nach Mustern, die zur Gruppierung von Datenpunkten in Teilmengen verwendet werden können. Die meisten Arten von Deep Learning, einschließlich neuronaler Netzwerke, sind unüberwachte Algorithmen. Überwachtes Lernen, auch bekannt als überwachtes maschinelles Lernen, definiert sich durch die Verwendung von markierten Datensätzen zum Trainieren von Algorithmen, um Daten zu klassifizieren oder Ergebnisse genau vorherzusagen.

Das breite Spektrum an Techniken, das ML umfasst, ermöglicht es, die Leistung von Softwareanwendungen im Laufe der Zeit zu verbessern. Der Algorithmus kann zum Beispiel Kundensegmente identifizieren, die ähnliche Eigenschaften besitzen. Die Kunden innerhalb dieser Segmente können dann mit ähnlichen Marketingkampagnen angesprochen werden. Beliebte Techniken, die beim unüberwachten Lernen eingesetzt werden, sind das Nearest-Neighbor-Mapping, selbstorganisierende Karten, Singular Value Decomposition und k-means Clustering. Die Algorithmen werden anschließend verwendet, um Themen zu segmentieren, Ausreißer zu identifizieren und Artikel zu empfehlen.

Obwohl sich das maschinelle Lernen noch in der Entwicklungsphase befindet, entwickelt es sich kontinuierlich und schnell weiter. Das Beste am maschinellen Lernen sind die hochwertigen Vorhersagen, die ohne menschliches Zutun in Echtzeit zu besseren Entscheidungen und intelligenten Aktionen führen können. Am Ende dieses Artikels können wir also sagen, dass der Bereich des maschinellen Lernens sehr umfangreich ist und seine Bedeutung nicht auf eine bestimmte Branche oder einen bestimmten Sektor beschränkt ist; es ist überall anwendbar, um zukünftige Ereignisse zu analysieren oder vorherzusagen. Viele Unternehmen setzen Online-Chatbots ein, bei denen Kunden oder Klienten nicht mit Menschen sprechen, sondern stattdessen mit einer Maschine interagieren.

Das maschinelle Lernen ist zwar ein leistungsfähiges Werkzeug zur Lösung von Problemen, zur Verbesserung von Geschäftsabläufen und zur Automatisierung von Aufgaben, aber es ist auch eine komplexe und anspruchsvolle Technologie, die fundiertes Fachwissen und erhebliche Ressourcen erfordert. Die Wahl des richtigen Algorithmus für eine Aufgabe erfordert ein gutes Verständnis für Mathematik und Statistik. Das Training von Algorithmen für maschinelles Lernen erfordert oft große Mengen an qualitativ hochwertigen Daten, um genaue Ergebnisse zu erzielen. Die Ergebnisse selbst können schwer zu verstehen sein – vor allem die Ergebnisse komplexer Algorithmen, wie z.B. die neuronalen Netze des Deep Learning, die dem menschlichen Gehirn nachempfunden sind. Legen Sie Hyperparameter fest und passen Sie sie an, trainieren und validieren Sie das Modell und optimieren Sie es anschließend. Je nach Art des Geschäftsproblems können Algorithmen für maschinelles Lernen Funktionen zum Verstehen natürlicher Sprache enthalten, z. B. rekurrente neuronale Netze oder Transformatoren, die für NLP-Aufgaben entwickelt wurden.

Algorithmen für maschinelles Lernen sind in der Lage, Muster in Daten zu erkennen und daraus zu lernen, um eigene Vorhersagen zu treffen. Kurz gesagt: Algorithmen und Modelle für maschinelles Lernen lernen durch Erfahrung. Algorithmen des überwachten Lernens werden anhand von markierten Beispielen trainiert, z. B. einer Eingabe, bei der die gewünschte Ausgabe bekannt ist. Zum Beispiel könnte ein Gerät Datenpunkte haben, die entweder mit “F” (fehlgeschlagen) oder “R” (läuft) gekennzeichnet sind. Der Lernalgorithmus erhält eine Reihe von Eingaben zusammen mit den entsprechenden korrekten Ausgaben. Der Algorithmus lernt, indem er seine tatsächliche Ausgabe mit den korrekten Ausgaben vergleicht, um Fehler zu finden. Mithilfe von Methoden wie Klassifizierung, Regression, Vorhersage und Gradient Boosting werden beim überwachten Lernen Muster verwendet, um die Werte des Etiketts auf zusätzlichen, nicht beschrifteten Daten vorherzusagen.

Die Hauptkomponentenanalyse (PCA) und die Singulärwertzerlegung (SVD) sind zwei gängige Methoden dafür. Andere Algorithmen, die beim unüberwachten Lernen verwendet werden, sind neuronale Netzwerke, k-means Clustering und probabilistische Clustering-Methoden. Maschinelles Lernen (ML) ist ein Zweig der künstlichen Intelligenz (KI), der es Computern ermöglicht, aus Trainingsdaten “selbst zu lernen” und sich im Laufe der Zeit zu verbessern, ohne explizit programmiert zu werden.

Verbinden Sie einfach Ihre Daten und verwenden Sie eines der vortrainierten maschinellen Lernmodelle, um mit der Analyse zu beginnen. Sie können sogar in wenigen einfachen Schritten Ihre eigenen No-Code-Modelle für maschinelles Lernen erstellen und sie in die Apps integrieren, die Sie täglich verwenden, wie Zendesk, Google Sheets und mehr. Die Fähigkeit von Maschinen, Muster in komplexen Daten zu finden, prägt die Gegenwart und Zukunft.

Selbstfahrende Autos verwenden auch Bilderkennung, um Raum und Hindernisse wahrzunehmen. So können sie beispielsweise lernen, Stoppschilder zu erkennen, Kreuzungen zu identifizieren und Entscheidungen auf der Grundlage dessen zu treffen, was sie sehen. Die Verarbeitung natürlicher Sprache gibt Maschinen die Fähigkeit, gesprochene oder geschriebene Sprache ähnlich wie ein Mensch aufzuschlüsseln, um “natürliche” Sprache zu verarbeiten, so dass maschinelles Lernen Text aus praktisch jeder Quelle verarbeiten kann.

Neuronale Netze – auch künstliche neuronale Netze (ANNs) genannt – sind eine Möglichkeit, KI so zu trainieren, dass sie Daten ähnlich wie ein menschliches Gehirn verarbeitet. Überwachte maschinelle Lernmodelle werden mit markierten Datensätzen trainiert, wodurch die Modelle lernen und mit der Zeit immer genauer werden. Ein Algorithmus würde zum Beispiel mit Bildern von Hunden und anderen Dingen trainiert, die alle von Menschen beschriftet wurden, und die Maschine würde lernen, Bilder von Hunden selbständig zu identifizieren. Aufgrund der neuen Computertechnologien ist maschinelles Lernen heute nicht mehr mit dem maschinellen Lernen der Vergangenheit vergleichbar. Sie entstand aus der Mustererkennung und der Theorie, dass Computer lernen können, ohne für bestimmte Aufgaben programmiert zu sein. Forscher, die sich für künstliche Intelligenz interessieren, wollten herausfinden, ob Computer aus Daten lernen können.

“Weil IBM diese offene Architektur entworfen hat, die buchstäblich angehoben und verschoben werden konnte, haben wir innerhalb von vier Monaten 91.000 Clients geladen und sie über vier Schlüsselsysteme hinweg miteinander verbunden”, so Carolyn Staats, Director of Innovation, Sonoma County Central IT. “Das ist ein erstaunlicher Zeitplan.” Sie vermittelten 35% der Obdachlosen in eine Wohnung, viermal mehr als die nationale Quote, und in zwei Jahren konnte der Landkreis die Zahl der Obdachlosen um neun Prozent reduzieren. Mitfahrzentralen wie Uber und Lyft nutzen ML, um Fahrer und Mitfahrer zusammenzubringen, Preise festzulegen, den Verkehr zu prüfen und, wie Google Maps, die Verkehrsbedingungen in Echtzeit zu analysieren, um die Fahrtroute zu optimieren und eine voraussichtliche Ankunftszeit vorherzusagen. Die Entdeckung und Herstellung neuer Medikamente, die traditionell aufwendige, teure und zeitraubende Tests durchlaufen, kann durch ML beschleunigt werden. Pfizer nutzt die ML-Fähigkeiten von IBM Watson, um die besten Kandidaten für klinische Studien in seiner Immuno-Onkologie-Forschung auszuwählen.

Außerdem können Boosting-Algorithmen zur Optimierung von Entscheidungsbaummodellen verwendet werden. Welche Art von Algorithmus Datenwissenschaftler wählen, hängt von der Art der Daten ab. Viele der Algorithmen und Techniken sind nicht nur auf einen der hier aufgeführten primären ML-Typen beschränkt. Sie werden oft an mehrere Typen angepasst, je nach dem zu lösenden Problem und dem Datensatz.