Maschinelles Lernen (ML)

Kernkonzept

Die zentrale Idee hinter dem maschinellen Lernen ist die Entwicklung und Verwendung von Algorithmen, die Eingabedaten verarbeiten und lernen können, die gewünschte Ausgabe zu produzieren. Bei diesem Lernprozess werden in der Regel große Datensätze in den Algorithmus eingespeist, der dann seine internen Parameter (oft als Modellgewichte bezeichnet) anpasst, um Fehler zu minimieren (oft gemessen durch eine Verlustfunktion) oder die Genauigkeit seiner Vorhersagen oder Klassifizierungen zu maximieren. Effektive ML hängt oft von einer gründlichen Datenvorverarbeitung ab, um die Eingabedaten zu bereinigen und für den Lernalgorithmus angemessen zu strukturieren. Ziel ist es, Maschinen in die Lage zu versetzen, komplexe Probleme zu lösen oder eigenständig genaue Vorhersagen zu treffen, was häufig Techniken wie das Feature-Engineering erfordert, um die wichtigsten Datenmerkmale auszuwählen.

Arten des maschinellen Lernens

Maschinelles Lernen wird in der Regel in mehrere Haupttypen eingeteilt, die jeweils für verschiedene Arten von Aufgaben und Daten geeignet sind:

• Überwachtes Lernen: Der Algorithmus lernt anhand eines markierten Datensatzes, d. h. jeder Datenpunkt ist mit der richtigen Ausgabe gekennzeichnet. Ziel ist es, eine Zuordnungsfunktion zu erlernen, um die Ausgabe für neue, unbekannte Eingaben vorherzusagen. Zu den üblichen Aufgaben gehören Regression und Bildklassifizierung. Erkunden Sie einen Vergleich zwischen überwachtem und unüberwachtem Lernen.
• Unüberwachtes Lernen: Der Algorithmus arbeitet mit unmarkierten Daten und versucht, versteckte Muster oder intrinsische Strukturen in den Daten selbst zu finden. Zu den üblichen Aufgaben gehören Clustering (Gruppierung ähnlicher Datenpunkte) wie K-Means und Dimensionalitätsreduktion (Vereinfachung der Daten).
• Reinforcement Learning (RL): Der Algorithmus lernt durch Interaktion mit einer Umgebung. Er erhält Belohnungen oder Bestrafungen für seine Aktionen und lernt, Aktionen zu wählen, die die kumulative Belohnung über die Zeit maximieren. RL wird häufig in der Robotik, bei Spielen und in Navigationssystemen eingesetzt. Lesen Sie einen Überblick über das Deep Reinforcement Learning.
• Semi-Überwachtes Lernen: Bei diesem Ansatz wird eine Kombination aus einer kleinen Menge gekennzeichneter Daten und einer großen Menge nicht gekennzeichneter Daten für das Training verwendet, wodurch die Lücke zwischen überwachtem und nicht überwachtem Lernen geschlossen wird.

Anwendungen in der realen Welt

Maschinelles Lernen treibt Innovationen in unzähligen Bereichen voran. Hier sind ein paar prominente Beispiele:

• Medizinische Bildanalyse: ML-Modelle analysieren medizinische Scans (z. B. Röntgenbilder, CTs, MRTs), um Radiologen bei der Erkennung von Anomalien zu unterstützen, z. B. bei der Identifizierung von Tumoren oder anderen Pathologien, was häufig zu einer früheren Diagnose und besseren Ergebnissen für die Patienten führt. Dies ist ein Schlüsselbereich der KI im Gesundheitswesen. Forschung in der Radiologie: Künstliche Intelligenz zeigt laufende Fortschritte auf.
• Autonome Fahrzeuge: Selbstfahrende Autos stützen sich bei Aufgaben wie der Wahrnehmung der Umgebung, der Objekterkennung (Erkennung von Fußgängern, anderen Fahrzeugen, Verkehrsschildern), der Spurhaltung und der Navigation stark auf ML. Unternehmen wie Waymo machen diese Technologie vor. Erfahren Sie mehr über KI in der Automobilindustrie.

Weitere Anwendungen sind Empfehlungssysteme (wie bei Netflix oder Amazon), die Erkennung von Finanzbetrug, die Verarbeitung natürlicher Sprache (NLP) und die Optimierung der Bestandsverwaltung im Einzelhandel.

ML vs. Verwandte Begriffe

• KI vs. ML: Künstliche Intelligenz (KI) ist das weite Feld der Entwicklung von Maschinen, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern. ML ist ein Teilbereich der KI, der sich speziell auf Systeme konzentriert, die aus Daten lernen.
• ML vs. Deep Learning: Deep Learning (DL) ist eine spezialisierte Untergruppe von ML, die komplexe, mehrschichtige neuronale Netze (NNs) verwendet, um komplizierte Muster aus großen Datensätzen zu lernen. Während ML verschiedene Algorithmen verwendet, zeichnet sich DL besonders bei unstrukturierten Daten wie Bildern und Text aus.
• ML vs. Data Mining: Beim Data Mining geht es um die Entdeckung von Mustern und Erkenntnissen aus großen Datenbeständen. ML nutzt diese Muster häufig, um Vorhersagemodelle zu erstellen. Obwohl Data Mining verwandt ist und ähnliche Techniken verwendet, liegt der Schwerpunkt auf der Entdeckung von Mustern, während ML die Vorhersage oder Entscheidungsfindung auf der Grundlage erlernter Muster betont.

Relevanz für AI und Computer Vision

Maschinelles Lernen ist ein Grundpfeiler der modernen künstlichen Intelligenz und hat insbesondere im Bereich der Computer Vision (CV) eine transformative Wirkung. Aufgaben wie Objekterkennung, Bildsegmentierung und Posenschätzung stützen sich stark auf ML-Modelle, um visuelle Informationen zu interpretieren und zu verstehen. Hochmoderne Modelle wie Ultralytics YOLO nutzen ML-Techniken, insbesondere Deep Learning, um in Echtzeitanwendungen eine hohe Genauigkeit und Geschwindigkeit zu erreichen. Sie können Ultralytics YOLO-Modellvergleiche untersuchen, um die Leistungsunterschiede zu sehen.

Frameworks wie PyTorch (besuchen Sie die offizielle PyTorch-Website) und TensorFlow bieten die erforderlichen Tools für die Entwicklung und das Training von ML-Modellen. Plattformen wie Ultralytics HUB bieten integrierte Umgebungen, die den Prozess rationalisieren, von der Verwaltung von Datensätzen und dem Training benutzerdefinierter Modelle bis hin zur Modellbereitstellung und -überwachung(MLOps). Eine effektive Modellerstellung erfordert oft eine sorgfältige Abstimmung der Hyperparameter und ein Verständnis der Leistungsmetriken.