machine-learning
Maschinelles Lernen und seine Klassifizierung

Was ist maschinelles Lernen?

Es werden zwei Definitionen für maschinelles Lernen angeboten. Arthur Samuel beschrieb es als:

das Fach, in dem Computer lernen können, ohne explizit programmiert zu werden.

Dies ist eine ältere, informelle Definition.

Tom Mitchell bietet eine modernere Definition:

Ein Computerprogramm soll aus der Erfahrung E in Bezug auf eine Klasse von Aufgaben T und das Leistungsmaß P lernen, wenn sich die mit P gemessene Leistung bei Aufgaben in T mit der Erfahrung E verbessert.

Beispiel: Dame spielen.

E = die Erfahrung, viele Checkerspiele zu spielen

T = die Aufgabe, Dame zu spielen.

P = die Wahrscheinlichkeit, dass das Programm das nächste Spiel gewinnt.

Im Allgemeinen kann jedes Problem des maschinellen Lernens einer von zwei großen Klassifikationen zugeordnet werden:

1. Überwachtes Lernen
2. Unbeaufsichtigtes Lernen.

Was ist beaufsichtigtes Lernen?

Überwachtes Lernen ist ein Typ eines maschinellen Lernalgorithmus, der einen bekannten Datensatz (Trainingsdatensatz genannt) verwendet, um Vorhersagen zu treffen.

Kategorie des beaufsichtigten Lernens:

1. Regression: Bei einem Regressionsproblem versuchen wir, Ergebnisse innerhalb einer kontinuierlichen Ausgabe vorherzusagen, was bedeutet, dass wir versuchen, Eingangsvariablen einer kontinuierlichen Funktion zuzuordnen.
2. Klassifizierung: Bei einem Klassifizierungsproblem versuchen wir stattdessen, die Ergebnisse in einer diskreten Ausgabe vorherzusagen. Mit anderen Worten, wir versuchen Eingabevariablen in diskreten Kategorien abzubilden.

Beispiel 1:

Versuchen Sie angesichts der Daten zur Größe der Häuser auf dem Immobilienmarkt, deren Preis vorherzusagen. Der Preis als Funktion der Größe ist eine kontinuierliche Ausgabe, daher ist dies ein Regressionsproblem.

Beispiel 2

(a) Regression - Für Werte mit kontinuierlicher Reaktion. Wenn wir beispielsweise ein Bild einer Person haben, müssen wir ihr Alter auf der Grundlage des gegebenen Bildes vorhersagen

(b) Klassifizierung - für kategoriale Antwortwerte, bei denen die Daten in bestimmte "Klassen" unterteilt werden können. Bei einem Patienten mit einem Tumor müssen wir beispielsweise vorhersagen, ob der Tumor bösartig oder gutartig ist.

Was ist unbeaufsichtigtes Lernen?

Durch das unbeaufsichtigte Lernen können wir uns Problemen mit wenig oder keiner Ahnung nähern, wie unsere Ergebnisse aussehen sollen. Wir können eine Struktur aus Daten ableiten, bei denen wir die Auswirkungen der Variablen nicht unbedingt kennen.

Beispiel:

Clustering: Wird für explorative Datenanalysen verwendet, um versteckte Muster oder Gruppierungen in Daten zu finden. Nehmen Sie eine Sammlung von 1.000.000 verschiedenen Genen und suchen Sie nach einem Weg, diese Gene automatisch in Gruppen zu gruppieren, die sich durch verschiedene Variablen, wie Lebensdauer, Standort, Rollen usw., irgendwie ähnlich oder verwandt sind.