Machine Learning

Die Trainingsmethode Machine Learning

machine-learning

Mit Machine Learning ist ein neues Paradigma entstanden:

„Trainierte Modelle“ können die Rolle von „Programmierten Modellen“ übernehmen.

Lösungen werden „antrainiert“, statt gezielt programmiert zu werden.

Im ersten Schritt (Training) im unteren Teil des oberen Bildes generiert das Trainingsalgorithmus das trainierte Modell unter Verwendung der Eingangs- und Ausgangsdaten des nachzubildenden Systems.

Der zweite Schritt (Produktion, Inferenz) entspricht weitgehend dem Fall des traditionellen Programmierens mit dem Unterschied, dass das Modell antrainiert und nicht programmiert wurde.

Die Entscheidung zwischen Programmieren und Machine Learning hängt von der Aufgabe und der verfügbaren Daten für ein eventuelles Training ab.

Die Güte von Modellen, die mit Machine Learning entwickelt werden, hängt vom Informationsgehalt der Trainingsdaten und deren Aufbereitung ab. Mit Aufbereitung ist die Verarbeitung der Rohdaten gemeint, die zu einer Form der Daten führt, die bessere Eigenschaften für das Training hat.

Es gibt drei grundsätzliche Machine-Learning-Trainingsmethoden. Diese sind:

  • Supervised Learning: Schritt 1 im oberen Bild: Daten und erwartete Ergebnisse (Labels) werden dem Trainingsalgorithmus zugeführt.
  • Unsupervised Learning: Schritt 1 im oberen Bild: Nur Daten werden dem Trainingsalgorithmus zugeführt.
  • Reinforcement Learning: Entspricht nicht das obere Bild. Es werden keine Trainingsdaten verwendet. Das Modell lernt von der Umgebung.

Machine Learning Modelle

Machine-Learning-Modelle, besser „Machine-Learning-Verfahren“, sind klassische, sehr gut verstandene Verfahren, die in vielen Bereichen eingesetzt werden. Ein Vorteil mancher Modelle ist die Transparenz bzw. Nachvollziehbarkeit der Verarbeitung durch trainierte Modelle.

Deep Learning

Machine learning , artificial intelligence , ai, deep learning blockchain neural network concept.

Der Begriff „Deep Learning“ wird für „Tiefe Neuronale Netze“ bzw. „Deep Neural Networks“ (DNNs) und andere komplexe Modellarten und Trainingsalgorithmen, wie “Generative Adversarial Networks“, verwendet.

Deep-Learning-Modelle haben gegenüber Machine-Learning-Modellen die folgenden

Vorteile

  • Höhere Performance der Lösungen:  Höhere Genauigkeit und Trefferquote, je nach Aufgabe
  • Lernt Features (Merkmale) automatisch aus den Daten – Das aufwändige Feature-Engineering bei Machine Learning entfällt
  • Stellt geringere Ansprüche an die Datenaufbereitung.

Nachteile

  • Benötigt sehr große Datenmengen für das Training – es können Hunderttausende und Millionen von Datensätzen erforderlich sein
  • Das Training ist sehr rechenintensiv.

DEEP NEURAL NETWORKS

Artificial deep neural network structure, gray

Künstliche Neuronale Netze (KNN) bzw. Artificial Neural Networks (ANNs) sind Modelle, die aus vernetzten „künstlichen Neuronen“ bestehen in Analogie zu Nervensystemen in Lebewesen. Tiefe Neuronale Netze bzw. Deep Neural Networks (DNNs) sind KNN mit vielen Schichten und vielen künstlichen Neuronen, die sehr komplexe Aufgaben erfüllen können.

Die folgenden Arten von Deep Neural Networks (DNNs) werden häufig verwendet:

  • Feed-forward Networks. Einfachste Struktur ohne Rückführungen (Schleifen).
  • Convolutional Neural Networks (CNNs). Für Bilderkennung sehr gut geeignet.
  • Recurrent Neural Networks (RNNs). Mit Gedächtnis (Enthalten Rückführungen und Speicher).

Generative Adversarial Networks (GANs)

Zwei Modelle, nicht notwendigerweise DNNs, trainieren sich gegenseitig indem sie gegeneinander “spielen”. DeepMind hat diese Art von Training bei der Entwicklung von AlphaGo verwendet.

Transfer Learning

Diese Trainingsmethode besteht darin, dass Parameterwerte eines bereits trainierten Modells als Anfangswerte für das Training eines zweiten Modells verwendet werden. Dadurch kann die für die Trainingsphase benötigte Datenmenge reduziert werden.