• IT-Karriere:
  • Services:

Fazit

Machine Learning ist ein möglicher Weg, mit dem man künstliche Intelligenz realisieren kann. Charmant an Machine Learning ist, dass der Computer selbstständig lernen kann. Hierzu benötigt er Trainings- und Testdaten und die für den jeweiligen Zweck geeigneten Algorithmen. Machine Learning selbst ist ein Sammelbegriff für eine Vielzahl von Algorithmen, die man einer der drei Hauptkategorien Supervised Learning, Unsupervised Learning und Reinforcement Learning zuordnen kann.

Stellenmarkt
  1. Telio Management GmbH, Hamburg
  2. RENNER GmbH Kompressoren, Güglingen

Wenn man selbst Machine-Learning-Systeme entwickeln möchte, benötigt man Kenntnisse in drei Disziplinen. Erste Voraussetzung ist ein gewisses Niveau von Kenntnissen in dem Fachbereich, in dem man Machine Learning einsetzen will, um die Daten und Anwendungsfälle zu verstehen und die optimalen Machine-Learning-Algorithmen wählen zu können. Zweitens muss man Statistik im Allgemeinen und Machine-Learning-Algorithmen im Speziellen beherrschen. Und drittens Programmiersprachen und Frameworks, die bei Machine Learning zum Einsatz kommen.

Machine Learning eröffnet eine Vielzahl neuer Möglichkeiten für die Automatisierung und Digitalisierung in nahezu allen Bereichen von Wirtschaft und Alltag - seien es autonom fahrende Autos, intelligente Roboterstaubsauger oder gar Systeme, die fachliche Entscheidungen treffen, die bisher nur von geschulten Fachleuten getroffen werden konnten.

So ist es Machine-Learning-Systemen möglich, Schäden an Motoren anhand von Motorlaufgeräuschen oder Fotos zu erkennen. Oder bestimmte Krankheiten anhand von Symptomen, Bildern und anderen Messungen zu diagnostizieren.

Dennoch sollte man sich bewusst sein, dass selbst in Fällen, in denen der Computer bestimmte Aufgaben besser als ein Mensch erledigt, der Computer mit Machine-Learning-Algorithmen in den meisten Fällen nicht eleganter oder schlauer als der Mensch denkt, sondern dank großer Rechenleistung, insbesondere mittels Grafikkarten und Cloud Computing, mehr Falldaten als der Mensch erfassen und analysieren kann. Mit Ausnahme von Reinforcement-Learning-Algorithmen arbeiten die meisten Machine-Learning-Algorithmen, indem sie aus einer großen Anzahl bereits existierender Falldaten lernen. Dahinter steckt keine große Kreativität, sondern die Fähigkeit, anhand von einer Vielzahl von analysierten Falldaten aus der Vergangenheit die wahrscheinlich beste Entscheidung bei einem neuen Fall zu treffen.

Folgende Analogie - einer kleiner Scherz, der aber einen Funken Wahrheit in sich trägt - macht das deutlich: Wäre ein Machine Learning Algorithmus als Gast zu einer Weinprobe eingeladen und man fragte ihn, welchen Wein er am besten findet, so würde er fragen: "Welchen Wein fanden die anderen Gäste am besten?"

Miroslav Stimac ist Informatiker, promovierter Wirtschaftswissenschaftler und aktuell Teilzeitstudent der Astronomie. Er arbeitet seit 2004 als Entwickler mit branchenübergreifender Projekterfahrung, hauptsächlich in Business Intelligence, Data Science und Statistik. Seine fachlichen Interessenschwerpunkte sind Astronomie, Japanologie, Konsumforschung und Robotik.

Bitte aktivieren Sie Javascript.
Oder nutzen Sie das Golem-pur-Angebot
und lesen Golem.de
  • ohne Werbung
  • mit ausgeschaltetem Javascript
  • mit RSS-Volltext-Feed
 Hund oder Katze?
  1.  
  2. 1
  3. 2
  4. 3
  5. 4
  6. 5


Anzeige
Hardware-Angebote
  1. täglich neue Deals bei Alternate.de
  2. (reduzierte Überstände, Restposten & Co.)

mg1993 15. Okt 2018

Der Artikel an für sich ist sehr interessant. Ich selbst studiere Informatik und schreibe...

a user 11. Okt 2018

Nein. Die Rechenkapazität unseres Gehirns schlägt um Welten die aller existierenden...

tunnelblick 11. Okt 2018

vielen lieben dank für die ausführliche antwort!

a user 10. Okt 2018

Der Punkt ist ein anderer. Die Umsetzungen sind erst mit heutiger Technik möglich. Aber...

danh 09. Okt 2018

Theoretisch: Bilder einer Frontkamera in trainiertes neuronales Netz rein, am Ende kommen...


Folgen Sie uns
       


    •  /