Deep Learning, Machine Learning, Neuronale Netze – was ist was und wo liegt da der Unterschied? Dieser Grundlagen Artikel ordnet die verschiedenen Ansätze ein und gibt einen Überblick darüber, was wofür verwendet wird. Wenn Du dich also auch schon mal gefragt hast, was ist eigentlich Machine Learning? Dann bist du hier genau richtig!
Was ist maschinelles Lernen? Eine Definition
Machine Learning oder maschinelles Lernen ist ein Teilbereich der künstlichen Intelligenz.¹ Es umfasst unterschiedliche Formen des Selbstlernens von Computern, was den Unterschied ausmacht zu herkömmlichen Programmen.² Bei herkömmlichen Programmen legen die Entwickler:innen vorab fest, wie das Programm auf bestimmte Eingaben reagieren soll. Daher sind sie in ihrer Anwendung begrenzt.
Beim maschinellen Lernen hingegen „lernt“ das System selbstständig Muster und Zusammenhänge aus großen Datenmengen zu erkennen und darauf basierend die Einordnung neuer Daten korrekt vorzunehmen. Diesen Prozess nennt man auch Modelltraining. Dabei werden 3 Methoden unterschieden: Supervised Learning, Unsupervised Learning und Reinforcement Learning. Auch Deep Learning ist eine Form des maschinellen Lernens.
Die Algorithmen werden darauf trainiert, aus Daten und Erfahrungen zu lernen. Sie erkennen beispielsweise Regelmäßigkeiten und Zusammenhänge und leiten daraus Entscheidungen ab. Im Laufe der Zeit verbessern sie ihre Leistung durch Erfahrung. Sie sind deshalb selbstlernende Systeme. Dabei werden sie umso genauer, je mehr Daten sie zur Verfügung haben. Vorbild des Ganzen ist das menschliche oder tierische Lernen, also ein Aspekt menschlicher oder tierischer Intelligenz.
Ab sofort könnt ihr euch den Inhalt des Artikels auch als Video anschauen:
Wie funktioniert Machine Learning?
Um maschinelles Lernen möglich zu machen, werden Trainingsdaten benötigt. Bei den Trainingsdaten sind sowohl die Eingabedaten als auch die Ausgabedaten zu Beginn des Trainings bekannt. Dies trifft insbesondere auf das überwachte Lernen (Supervised Learning) zu, bei dem der Algorithmus mit diesen gekennzeichneten Daten trainiert wird.
Das bedeutet, dass das System während des Trainings die richtigen Antworten (Ausgabedaten) kennt und lernt, wie es aus den Eingabedaten auf diese richtigen Ausgaben schließen kann. Beispielsweise werden dem Algorithmus Bilder von Katzen (Eingabedaten) gezeigt, und die Information, dass es sich bei den Bildern um Katzen handelt (Ausgabedaten), wird ebenfalls bereitgestellt. Der Algorithmus versucht dann eine Beziehung zwischen Eingabe und Ausgabe herzustellen und zum Beispiel Muster oder Zusammenhänge zu erkennen, ahand derer er die Entscheidung treffen kann, ob ein Bild eine Katze zeigt oder nicht. So könnte er beispielsweise erkennen, dass Bilder, die der Ausgabe „Katze“ entsprechen, häufig zwei spitze Ohren aufweisen. Mit der Zeit lernt er, solche Merkmale zu nutzen, um eigenständig zu entscheiden, ob ein Bild eine Katze zeigt oder nicht.
Machine Learning Algorithmen: Hauptkategorien
Wir unterscheiden bei den Algorithmen des Machine Learnings zwischen den folgenden:
- überwachtes Lernen (Supervised Learning)
- unüberwachtes Lernen (Unsupervised Learning)
- teilüberwachtes Lernen (Semi-Supervised Learning)
- verstärkendes Lernen (Reinforcement Learning)
Was ist der Unterschied zwischen Machine Learning und Deep Learning?
Kurz gesagt: Maschinelles Lernen ist der Oberbegriff. Neuronale Netze sind ein Teilgebiet des maschinellen Lernens und Deep Learning ist ein Teilgebiet der neuronalen Netze. Der Weg ist also: Maschinelles Lernen -> Neuronale Netze -> Deep Learning.
Der Unterschied zwischen Deep Learning und maschinellem Lernen besteht darin, wie der Algorithmus lernt. Das klassische maschinelle Lernen ist stärker auf menschliches Eingreifen angewiesen, um zu lernen. Menschliche Experten bestimmen vorab die Menge an Merkmalen, um die Unterschiede zwischen Dateneingaben zu verstehen. Normalerweise sind zum Erlernen strukturiertere Daten erforderlich.
Bei „Deep“ Machine Learning ist die Kennzeichnung der Merkmale nicht unbedingt erforderlich. Beim Deep-Learning-Prozess werden unstrukturierte Daten in ihrer Rohform (wie Text oder Bilder) aufgenommen und es werden automatisch die Merkmale ermittelt, die verschiedene Datenkategorien voneinander unterscheiden. Dadurch entfällt ein Teil der erforderlichen menschlichen Eingriffe und die Nutzung großer Datenmengen wird möglich. Man kann sich Deep Learning auch als „skalierbares maschinelles Lernen“ vorstellen, erklärt der russisch-amerikanische Informatiker Lex Fridman, der längere Zeit für Google im Bereich maschinelles Lernen gearbeitet hat, bei einem MIT-Vortrag.
Quellen:
IBM: Maschinelles Lernen, Deep Learning und neuronale Netze im Vergleich
Gabler Wirtschaftslexikon: Machine Learning
SAP: Was ist Machine Learning?
Datasolut: Machine Learning: Definition, Algorithmen, Methoden und Beispiele
