Um alle Funktionen dieser Seite zu nutzen, aktivieren Sie bitte die Cookies in Ihrem Browser.
my.bionity.com
Mit einem my.bionity.com-Account haben Sie immer alles im Überblick - und können sich Ihre eigene Website und Ihren individuellen Newsletter konfigurieren.
- Meine Merkliste
- Meine gespeicherte Suche
- Meine gespeicherten Themen
- Meine Newsletter
Maschinelles LernenMaschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann nach Beendigung der Lernphase verallgemeinern. D. h. es lernt nicht einfach die Beispiele auswendig, sondern es „erkennt“ Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen. Aus dem weiten Spektrum möglicher Anwendungen seien hier genannt automatisierte Diagnoseverfahren, Erkennung von Kreditkartenbetrug, Aktienmarktanalysen, Klassifikation von DNA-Sequenzen, Sprach- und Schrifterkennung und autonome Systeme. Die praktische Umsetzung geschieht meist mittels Algorithmen. Verschiedene Algorithmen aus dem Bereich des maschinellen Lernens lassen sich grob nach diesem Schema einteilen:
Weiteres empfehlenswertes Fachwissen
Symbolische und subsymbolische SystemeBeim maschinellen Lernen spielt Art und Mächtigkeit der Wissensrepräsentation eine wichtige Rolle. Man unterscheidet zwischen symbolischen Systemen, in denen das Wissen – sowohl die Beispiele als auch die induzierten Regeln – explizit repräsentiert ist, und subsymbolischen Systemen wie Neuronale Netze, denen zwar ein berechenbares Verhalten „antrainiert“ wird, die jedoch keinen Einblick in die erlernten Lösungswege erlauben; hier ist Wissen implizit repräsentiert. Bei den symbolischen Ansätzen unterscheidet man in aussagenlogische und prädikatenlogische Systeme. Vertreter der ersteren sind ID3 und sein Nachfolger C4.5. Letztere werden im Bereich der Induktiven logischen Programmierung entwickelt. Erwähnt sei noch, dass neuronale Netze und Prädikatenlogik kombiniert werden können. Jedes Prädikat erhält einen Wahrheitswert[0..1]. Benannte Produktionsregeln sind benannte Neuronenmuster (Klassen), Regelanwendung sind Neuronen (Instanzen), die dem Netzwerk hinzugefügt werden. Der Wahrheitswert der Konsequenz wird wie beim neuronalen Netz aus den Wahrheitswerten der Prämissen berechnet. Beim Lernen werden zunächst mittels induktiver logischer Programmierung Hypothesen (Regeln) erzeugt, dann werden die Parameter zur Berechnung der Wahrheitswerte im Näherungsverfahren genau wie beim neuronalen Netz ermittelt. Siehe auch
Literatur
Software
|
|
Dieser Artikel basiert auf dem Artikel Maschinelles_Lernen aus der freien Enzyklopädie Wikipedia und steht unter der GNU-Lizenz für freie Dokumentation. In der Wikipedia ist eine Liste der Autoren verfügbar. |