Was ist maschinelles Lernen?

Bei allen außer den trivialsten Interaktionen werden Ihre gesprochenen Befehle an leistungsstarke Computer der Hersteller ’ Wolken, wo das Schwergewicht der künstlichen Intelligenz stattfindet. Der Befehl wird geparst, die Bedeutung wird extrahiert und die Antwort wird vorbereitet und an den Smart Speaker zurückgesendet.

Werbung

Maschinelles Lernen untermauert die Mehrheit der Systeme der künstlichen Intelligenz, mit denen wir interagieren. Einige davon sind Gegenstände in Ihrem Zuhause, wie z. B. intelligente Geräte, und andere sind Teil der Dienste, die wir online nutzen. Die Videoempfehlungen auf YouTube und Netflix sowie die automatischen Playlists auf Spotify nutzen maschinelles Lernen. Suchmaschinen verlassen sich auf maschinelles Lernen und Online-Shopping verwendet maschinelles Lernen, um Ihnen Kaufvorschläge basierend auf Ihrem Browser- und Kaufverlauf anzubieten.

Computer können auf riesige Datensätze zugreifen. Sie können unermüdlich Prozesse tausende Male innerhalb des Raums wiederholen, den ein Mensch für eine Iteration benötigen würde – wenn ein Mensch dies auch nur einmal schaffen könnte. Wenn das Lernen also Wissen, Übung und Leistungsfeedback erfordert, sollte der Computer der ideale Kandidat sein.

RELATEDDas Problem mit KI: Maschinen lernen Dinge, können sie aber nicht verstehen

Das heißt nicht, dass der Computer wirklich im menschlichen Sinne denken oder verstehen und wahrnehmen kann, wie wir es tun. Aber es wird lernen und mit Übung besser werden. Geschickt programmiert, kann ein maschinelles Lernsystem einen anständigen Eindruck von einer bewussten und bewussten Einheit vermitteln.

Früher fragten wir uns: “Können Computer lernen?” Daraus entwickelte sich schließlich eine praktischere Frage. Welche technischen Herausforderungen müssen wir bewältigen, damit Computer lernen können?

Neural Networks und Deep Neural Networks

Tiere’ Gehirne enthalten Netzwerke von Neuronen. Neuronen können Signale über eine Synapse an andere Neuronen senden. Diese winzige Aktion, die millionenfach wiederholt wird, lässt unsere Denkprozesse und Erinnerungen entstehen. Aus vielen einfachen Bausteinen hat die Natur ein Bewusstsein und die Fähigkeit zum Denken und Erinnern geschaffen.

Werbung

Inspiriert von biologischen neuronalen Netzen wurden künstliche neuronale Netze geschaffen, um einige der Eigenschaften ihrer organischen Gegenstücke nachzuahmen. Seit den 1940er Jahren wurden Hardware und Software entwickelt, die Tausende oder Millionen von Knoten enthalten. Die Knoten empfangen wie Neuronen Signale von anderen Knoten. Sie können auch Signale erzeugen, die in andere Knoten eingespeist werden. Knoten können von mehreren Knoten gleichzeitig Eingaben annehmen und Signale an sie senden.

Wenn ein Tier zu dem Schluss kommt, dass fliegende gelb-schwarze Insekten ihm immer einen bösen Stich geben, wird es alle fliegenden gelb-schwarzen Insekten meiden. Das macht sich die Schwebfliege zunutze. Es ist gelb und schwarz wie eine Wespe, aber es hat keinen Stachel. Auch Tiere, die sich mit Wespen verheddert und eine schmerzhafte Lektion gelernt haben, machen einen großen Bogen um die Schwebfliege. Sie sehen ein fliegendes Insekt mit einer auffälligen Farbgebung und beschließen, dass es Zeit ist, sich zurückzuziehen. Die Tatsache, dass das Insekt schweben kann, und Wespen nicht, wird nicht einmal berücksichtigt.

VERBUNDEN: Das Was passiert, wenn die künstliche Intelligenz von Google Ihnen hilft, Gedichte zu schreiben

Die Bedeutung der fliegenden, summenden und gelb-schwarzen Streifen überlagert alles andere. Die Bedeutung dieser Signale wird als Gewichtung dieser Informationen bezeichnet. Künstliche neuronale Netze können auch Gewichtung verwenden. Ein Knoten muss nicht alle seine Eingaben als gleich betrachten. Es kann einige Signale anderen vorziehen.

Machine Learning verwendet Statistiken, um Muster in den Datensätzen zu finden, mit denen es trainiert wurde. Ein Datensatz kann Wörter, Zahlen, Bilder, Benutzerinteraktionen wie Klicks auf eine Website oder alles andere enthalten, was digital erfasst und gespeichert werden kann. Das System muss die wesentlichen Elemente der Abfrage charakterisieren und diese dann mit Mustern abgleichen, die es im Datensatz erkannt hat.

Wenn es versucht, eine Blume zu identifizieren, muss es die Stiellänge, die Größe und den Stil des Blattes, die Farbe und die Anzahl der Blütenblätter usw. kennen. In Wirklichkeit werden viel mehr Fakten als diese benötigt, aber in unserem einfachen Beispiel werden wir diese verwenden. Sobald das System diese Details über den Prüfling kennt, startet es einen Entscheidungsprozess, der eine Übereinstimmung aus seinem Datensatz herstellt. Beeindruckenderweise erstellen maschinell lernende Systeme den Entscheidungsbaum selbst.

Ein maschinell lernendes System lernt aus seinen Fehlern, indem es seine Algorithmen aktualisiert, um Denkfehler zu korrigieren. Die anspruchsvollsten neuronalen Netze sind tiefe neuronale Netze. Konzeptionell bestehen diese aus sehr vielen übereinander geschichteten neuronalen Netzen. Dies gibt dem System die Möglichkeit, selbst winzige Muster in seinen Entscheidungsprozessen zu erkennen und zu verwenden.

Werbung

Schichten werden üblicherweise verwendet, um eine Gewichtung bereitzustellen. Als “Spezialist” Lagen. Sie liefern gewichtete Signale über ein einzelnes Merkmal des Probanden. In unserem Beispiel zur Blütenidentifikation könnten möglicherweise versteckte Schichten verwendet werden, die der Form der Blätter, der Größe der Knospen oder der Länge der Staubblätter gewidmet sind.

Verschiedene Arten des Lernens

Es gibt drei allgemeine Techniken zum Trainieren von maschinellen Lernsystemen: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.

Überwachtes Lernen

Überwachtes Lernen ist das meistgenutzte Lernform. Das liegt nicht daran, dass es anderen Techniken von Natur aus überlegen ist. Es hat mehr mit der Eignung dieser Art des Lernens für die Datensätze zu tun, die in den heute geschriebenen maschinellen Lernsystemen verwendet werden.

Beim überwachten Lernen werden die Daten so gekennzeichnet und strukturiert, dass die Kriterien für den Entscheidungsprozess für das maschinell lernende System definiert sind. Dies ist die Art des Lernens, die in den maschinellen Lernsystemen hinter den YouTube-Playlist-Vorschlägen verwendet wird.

Unüberwachtes Lernen

Unüberwachtes Lernen erfordert keine Daten Vorbereitung. Die Daten sind nicht gekennzeichnet. Das System scannt die Daten, erkennt seine eigenen Muster und leitet seine eigenen Auslösekriterien ab.

Techniken des unüberwachten Lernens wurden mit hohen Erfolgsraten auf die Cybersicherheit angewendet. Durch maschinelles Lernen verbesserte Eindringlingserkennungssysteme können die nicht autorisierte Netzwerkaktivität eines Eindringlings erkennen, da sie nicht den zuvor beobachteten Verhaltensmustern autorisierter Benutzer entspricht.

VERWANDTE: Wie sich KI, maschinelles Lernen und Endpunktsicherheit überschneiden

Verstärkendes Lernen

Reinforcement Learning ist die neueste der drei Techniken. Einfach ausgedrückt, verwendet ein Algorithmus für das Reinforcement Learning Trial-and-Error und Feedback, um ein optimales Verhaltensmodell zum Erreichen eines bestimmten Ziels zu erhalten.

Dies erfordert Feedback von Menschen, die “Punkte” die Bemühungen des Systems, je nachdem, ob sein Verhalten einen positiven oder negativen Einfluss auf das Erreichen des Ziels hat.

Die praktische Seite der KI

RELATEDEin Leitfaden für Anfänger zu den Machine Learning Services von AWS

Weil es so weit verbreitet ist und nachweisbare Erfolge in der Praxis vorweisen kann—einschließlich kommerzieller Erfolge—Maschinelles Lernen wird als “die praktische Seite der künstlichen Intelligenz . bezeichnet .” Es ist ein großes Geschäft, und es gibt viele skalierbare, kommerzielle Frameworks, mit denen Sie maschinelles Lernen in Ihre eigenen Entwicklungen oder Produkte integrieren können.

Wenn Sie diese Art von Feuerkraft nicht sofort benötigen, aber daran interessiert sind, in einem maschinellen Lernsystem mit einer benutzerfreundlichen Programmiersprache wie Python herumzustöbern, gibt es auch dafür hervorragende kostenlose Ressourcen . Tatsächlich werden diese mit Ihnen skalieren, wenn Sie ein weiteres Interesse oder einen Geschäftsbedarf entwickeln.

Torch ist ein Open-Source-Framework für maschinelles Lernen, das für seine Geschwindigkeit bekannt ist.

Scikit -Learn ist eine Sammlung von Werkzeugen zum maschinellen Lernen, insbesondere für die Verwendung mit Python.

Caffe ist ein Deep-Learning-Framework, das besonders kompetent bei der Verarbeitung von Bildern ist.

Keras ist ein Deep-Learning-Framework. Lernframework mit Python-Schnittstelle.

WEITER LESEN

• › 13 Möglichkeiten, die Einstellungs-App von Windows 10 zu öffnen
• › So zeigen Sie versteckte Dateien unter Windows 11 an
• › 7 Mac-Backup-Lösungen, die keine Time Machine sind
• › Erinnerung an den Windows-Konkurrenten von Radio Shack: Tandy DeskMate
• › So verbinden Sie einen Xbox Wireless Controller mit einem Android-Telefon