{"id":62,"date":"2023-11-30T16:59:18","date_gmt":"2023-11-30T16:59:18","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/chapter\/ai-speak-machine-learning\/"},"modified":"2024-01-31T11:42:41","modified_gmt":"2024-01-31T11:42:41","slug":"ai-speak-machine-learning","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/aifurlehrer\/chapter\/ai-speak-machine-learning\/","title":{"raw":"KI-Sprache: Maschinelles Lernen","rendered":"KI-Sprache: Maschinelles Lernen"},"content":{"raw":"

Ein Algorithmus <\/strong>ist eine feste Abfolge von Anweisungen zur Ausf\u00fchrung einer Aufgabe. Er zerlegt die Aufgabe in einfache, verwirrungsfreie Schritte - wie ein gut geschriebenes Rezept.<\/p>\n

Programmiersprachen <\/strong>sind Sprachen, die ein Computer befolgen und ausf\u00fchren kann. Sie dienen als Br\u00fccke zwischen dem, was wir verstehen, und dem, was eine Maschine kann\u00a0- letztlich Schalter, die man ein- und ausschalten kann. F\u00fcr einen Computer sind Bilder, Videos und Anleitungen nichts anderes als Einsen (\"Schalter ist an\") und Nullen (\"Schalter ist aus\").<\/p>\n

In einer Programmiersprache geschrieben, wird ein Algorithmus zu einem Programm<\/strong>. Anwendungen <\/strong>sind Programme, die f\u00fcr Endnutzende geschrieben werden.<\/p>\n

Herk\u00f6mmliche Programme nehmen Daten auf und folgen den Anweisungen, um eine Ausgabe zu erzeugen. Viele fr\u00fche KI-Programme waren konventionell. Da sich die Anweisungen nicht an die Daten anpassen k\u00f6nnen, waren diese Programme nicht sehr gut darin, Vorhersagen auf der Grundlage unvollst\u00e4ndiger Informationen zu treffen und nat\u00fcrliche Sprache zu verarbeiten (Natural Language Processing<\/em>, NLP).<\/strong><\/p>\n

\"\"Eine Suchmaschine wird sowohl von herk\u00f6mmlichen als auch von maschinellen (ML) Lernalgorithmen angetrieben. Im Gegensatz zu herk\u00f6mmlichen Programmen analysieren ML-Algorithmen Daten auf Muster und verwenden diese Muster oder Regeln, um zuk\u00fcnftige Entscheidungen oder Vorhersagen zu treffen. Das hei\u00dft, auf der Grundlage von Daten - guten und schlechten Beispielen - finden sie ihr eigenes \"Rezept\".<\/p>\n

Diese Algorithmen eignen sich gut f\u00fcr Situationen mit hoher Komplexit\u00e4t und fehlenden Daten. Sie k\u00f6nnen auch ihre eigenen Leistung \u00fcberwachen und dieses Feedback nutzen, um sich mit der Zeit zu verbessern.<\/p>\n

Das System funktioniert auf \u00e4hnliche Weise wie beim Menschen, insbesondere bei Babys, die sich F\u00e4higkeiten au\u00dferhalb des traditionellen Bildungssystems aneignen. Babys beobachten, wiederholen, lernen, testen und verbessern sich. Wenn n\u00f6tig, improvisieren sie.<\/p>\n

Aber die \u00c4hnlichkeit zwischen Maschinen und Menschen ist sehr oberfl\u00e4chlich. \u201eLernen\" aus menschlicher Sicht ist etwas ganz anderes und viel nuancierter und komplexer als \u201eLernen\" f\u00fcr die Maschine.<\/p>\nhttps:\/\/www.youtube.com\/watch?v=-hUxcTPcPXQ&list=PLkm8ZqYSzE3eM28LL0BJylUFuVedLE3Uy&index=4&pp=iAQB\n

Ein Klassifizierungsproblem<\/h3>\n

Eine h\u00e4ufige Aufgabe, f\u00fcr die eine ML-Anwendung eingesetzt wird, ist die Klassifizierung: Handelt es sich um das Foto eines Hundes oder einer Katze? Hat der Lernende Schwierigkeiten oder hat er\/sie die Pr\u00fcfung bestanden? Es gibt zwei oder mehr Kategorien und die Anwendung muss neue Daten in eine dieser Gruppen einordnen.<\/p>\n\n\n[caption id=\"attachment_61\" align=\"alignright\" width=\"430\"]\"\" \"Playing Card\" by aquarianinsight.com\/free-readings\/ ist lizensiert unter CC BY-SA 2.0. Um eine Kopie dieser Lizenz zu sehen, gehen Sie bitte zu: https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/?ref=openverse<\/a>.[\/caption]\n

Nehmen wir das Beispiel von Spielkarten, die nach einem bestimmten Muster in zwei Stapel - Gruppe A und Gruppe B - unterteilt werden. Wir sollen eine neue Karte, das Karo-Ass, der Gruppe A oder der Gruppe B zuordnen.<\/p>\n

Zun\u00e4chst m\u00fcssen wir verstehen, wie die Gruppen aufgeteilt sind - wir brauchen Beispiele. Ziehen wir vier Karten aus Gruppe A und vier aus Gruppe B. Diese 8 Beispielf\u00e4lle bilden unsere Trainingsmenge, <\/strong>d.h. Daten, die uns helfen, das Muster zu erkennen. Wir \u201etrainieren\", das Ergebnis zu sehen.<\/p>\n

Sobald uns die Anordnung auf der rechten Seite gezeigt wird, w\u00fcrden die meisten von uns erraten, dass das Karo-Ass zu Gruppe B geh\u00f6rt. Wir brauchen keine Anweisungen, das menschliche Gehirn ist ein Wunderwerk der Musterfindung. Wie w\u00fcrde eine Maschine dies tun?<\/p>\n

Die Algorithmen des maschinellen Lernens beruhen auf leistungsstarken statistischen Theorien. Die verschiedenen Algorithmen beruhen auf unterschiedlichen mathematischen Gleichungen, die sorgf\u00e4ltig ausgew\u00e4hlt werden m\u00fcssen, um der jeweiligen Aufgabe gerecht zu werden. Es ist die Aufgabe des Programmierenden, die Daten auszuw\u00e4hlen, zu analysieren und zu entscheiden, welche Merkmale der Daten f\u00fcr das jeweilige Problem relevant sind sowie den richtigen Algorithmus auszuw\u00e4hlen.<\/p>\n\n

Die Wichtigkeit von Daten<\/h3>\n[caption id=\"attachment_61\" align=\"alignright\" width=\"442\"]\"\" \"Playing Card\" von aquarianinsight.com\/free-readings\/ ist lizensiert unter CC BY-SA 2.0. -Um eine Kopie dieser Lizenz zu sehen, gehen Sie bitte zu: https:\/\/creativecommons.org\/licenses\/by-sa\/2.0\/?ref=openverse.<\/a>[\/caption]\n

Die obige Ziehung h\u00e4tte auf verschiedene Weise fehlschlagen k\u00f6nnen. Bitte sehen Sie sich das nebenstehende Bild an: 1 hat zu wenige Karten, eine Vermutung w\u00e4re nicht m\u00f6glich. 2 hat mehr Karten, aber alle in der gleichen Farbe, daher gibt es keine Anhaltspunkte, wohin Karo kommen w\u00fcrde. Wenn die Gruppen nicht gleich gro\u00df sind, k\u00f6nnte 3 sehr wohl bedeuten, dass die Zahlenkarten in Gruppe A und die Bildkarten in Gruppe B sind.<\/p>\n

Im Allgemeinen sind die Probleme des maschinellen Lernens offener und umfassen Datens\u00e4tze, die viel gr\u00f6\u00dfer sind als ein Kartenspiel. Die Trainingsdatens\u00e4tze m\u00fcssen mit Hilfe statistischer Analyseverfahren ausgew\u00e4hlt werden, da sonst Fehler auftreten k\u00f6nnen. Eine gute Datenauswahl ist entscheidend f\u00fcr eine gute ML-Anwendung, mehr noch als bei anderen Programmtypen. Maschinelles Lernen ben\u00f6tigt eine gro\u00dfe Anzahl relevanter Daten. Als absolutes Minimum sollte ein grundlegendes Modell f\u00fcr maschinelles Lernen zehnmal so viele Datenpunkte enthalten wie die Gesamtzahl der Merkmale1<\/sup>. Dar\u00fcber hinaus ist ML besonders gut geeignet, um mit \"verrauschten\", unklaren und widerspr\u00fcchlichen Daten umzugehen.<\/p>\n\n

Extraktion von Merkmalen<\/h3>\n

Bei den oben gezeigten Beispielen f\u00fcr Gruppe A und Gruppe B ist Ihnen vielleicht als Erstes die Farbe der Karten aufgefallen, dann die Nummer oder die Buchstaben. F\u00fcr einen Algorithmus m\u00fcssen alle diese Merkmale speziell eingegeben werden. Er kann nicht automatisch wissen, was f\u00fcr das Problem wichtig ist.<\/p>\n\"\"\n

Bei der Auswahl der Merkmale, die von Interesse sind, m\u00fcssen sich Programmiernde viele Fragen stellen: Wie viele Merkmale sind zu wenig, um n\u00fctzlich zu sein? Wie viele Funktionen sind zu viele? Welche Merkmale sind f\u00fcr die Aufgabe relevant? In welchem Verh\u00e4ltnis stehen die ausgew\u00e4hlten Funktionen zueinander - ist eine Funktion von der anderen abh\u00e4ngig? Ist es mit den gew\u00e4hlten Merkmalen m\u00f6glich, eine genaue Ausgabe zu erzielen?\n<\/em><\/p>\nhttps:\/\/www.youtube.com\/watch?v=wmd3ty7JmxI&list=PLkm8ZqYSzE3eM28LL0BJylUFuVedLE3Uy&index=5&pp=iAQB\n

Der Prozess<\/h3>\n
\n

M\u00fcssen Daten immer beschriftet werden?<\/h4>\n<\/header>\n
Erfahren Sie mehr \u00fcber \u00fcberwachtes und un\u00fcberwachtes Lernen<\/a><\/div>\n<\/div>\n

Wenn die programmierende Person die Anwendung erstellt, nimmt sie Daten, extrahiert daraus Merkmale, w\u00e4hlt einen geeigneten Algorithmus f\u00fcr maschinelles Lernen (eine mathematische Funktion, die den Prozess definiert) und trainiert ihn mit markierten Daten (in dem Fall, in dem die Ausgabe bekannt ist - wie Gruppe A oder Gruppe B), so dass die Maschine das Muster hinter dem Problem \"versteht\".<\/p>\n

F\u00fcr eine Maschine besteht das Verst\u00e4ndnis<\/em> aus einer Reihe von Zahlen - den Gewichten -, die sie jedem Merkmal zuordnet. Durch die richtige Zuordnung der Gewichte kann die Maschine die Wahrscheinlichkeit berechnen, mit der eine neue Karte zur Gruppe A oder zur Gruppe B geh\u00f6rt. In der Regel hilft die programmierende Person der Maschine in der Trainingsphase, indem sie einige Werte manuell \u00e4ndert - dies wird als Abstimmung\u00a0 <\/strong>(Tuning<\/em>) der Anwendung bezeichnet.<\/p>\n\"\"\n

Nachdem dies geschehen ist, muss das Programm getestet werden, bevor es in Betrieb genommen werden kann. Zu diesem Zweck werden dem Programm die markierten Daten, die nicht f\u00fcr das Training verwendet wurden, zur Verf\u00fcgung gestellt. Diese Daten werden Testdaten genannt. Dann wird die Leistung des Programms bei der Vorhersage des Outputs gemessen: Sobald das Programm als zufriedenstellend eingestuft wird, kann es eingesetzt werden. Es ist bereit, neue Daten zu verarbeiten und eine Entscheidung oder Vorhersage zu treffen.<\/p>\n\"\"\n\nKann ein Modell mit Trainings- und Testdatens\u00e4tzen unterschiedlich funktionieren? Wie wirkt sich die Anzahl der Merkmale auf die Leistung in beiden F\u00e4llen aus? Sehen Sie sich dieses Video an<\/a>, um es herauszufinden.\n

Die Echtzeitleistung wird dann kontinuierlich \u00fcberwacht und verbessert (die Gewichtung der Merkmale wird angepasst, um eine bessere Leistung zu erzielen). Oft liefert Echtzeitleistung andere Ergebnisse, als wenn maschinelles Lernen mit vorhandenen Daten getestet wird. Da das Experimentieren mit realen Nutzenden teuer, zeitaufw\u00e4ndig und oft riskant ist, werden Algorithmen immer mit historischen Nutzerdaten getestet, die m\u00f6glicherweise nicht in der Lage sind, die Auswirkungen auf das Nutzerverhalten zu ermitteln1<\/sup>.\u00a0Daher ist es wichtig, Anwendungen des maschinellen Lernens umfassend zu evaluieren, sobald sie in Betrieb genommen werden:<\/p>\nhttps:\/\/www.youtube.com\/watch?v=-Kj2YOwvE90&list=PLkm8ZqYSzE3eM28LL0BJylUFuVedLE3Uy&index=7&pp=iAQB\n\n \n

Haben Sie Lust, Machine Learning<\/em> auszuprobieren? Versuchen Sie diese Aktivit\u00e4t.<\/a><\/p>\n\n\n

\n

1 <\/sup>Theobald, O. Machine Learning For Absolute Beginners: A Plain English Introduction<\/em> (Second Edition) (Machine Learning From Scratch Book 1) (p. 24). Scatterplot Press. Kindle Edition.<\/p>\n

2\u00a0<\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>","rendered":"

Ein Algorithmus <\/strong>ist eine feste Abfolge von Anweisungen zur Ausf\u00fchrung einer Aufgabe. Er zerlegt die Aufgabe in einfache, verwirrungsfreie Schritte – wie ein gut geschriebenes Rezept.<\/p>\n

Programmiersprachen <\/strong>sind Sprachen, die ein Computer befolgen und ausf\u00fchren kann. Sie dienen als Br\u00fccke zwischen dem, was wir verstehen, und dem, was eine Maschine kann\u00a0– letztlich Schalter, die man ein- und ausschalten kann. F\u00fcr einen Computer sind Bilder, Videos und Anleitungen nichts anderes als Einsen (“Schalter ist an”) und Nullen (“Schalter ist aus”).<\/p>\n

In einer Programmiersprache geschrieben, wird ein Algorithmus zu einem Programm<\/strong>. Anwendungen <\/strong>sind Programme, die f\u00fcr Endnutzende geschrieben werden.<\/p>\n

Herk\u00f6mmliche Programme nehmen Daten auf und folgen den Anweisungen, um eine Ausgabe zu erzeugen. Viele fr\u00fche KI-Programme waren konventionell. Da sich die Anweisungen nicht an die Daten anpassen k\u00f6nnen, waren diese Programme nicht sehr gut darin, Vorhersagen auf der Grundlage unvollst\u00e4ndiger Informationen zu treffen und nat\u00fcrliche Sprache zu verarbeiten (Natural Language Processing<\/em>, NLP).<\/strong><\/p>\n

\"\"Eine Suchmaschine wird sowohl von herk\u00f6mmlichen als auch von maschinellen (ML) Lernalgorithmen angetrieben. Im Gegensatz zu herk\u00f6mmlichen Programmen analysieren ML-Algorithmen Daten auf Muster und verwenden diese Muster oder Regeln, um zuk\u00fcnftige Entscheidungen oder Vorhersagen zu treffen. Das hei\u00dft, auf der Grundlage von Daten – guten und schlechten Beispielen – finden sie ihr eigenes “Rezept”.<\/p>\n

Diese Algorithmen eignen sich gut f\u00fcr Situationen mit hoher Komplexit\u00e4t und fehlenden Daten. Sie k\u00f6nnen auch ihre eigenen Leistung \u00fcberwachen und dieses Feedback nutzen, um sich mit der Zeit zu verbessern.<\/p>\n

Das System funktioniert auf \u00e4hnliche Weise wie beim Menschen, insbesondere bei Babys, die sich F\u00e4higkeiten au\u00dferhalb des traditionellen Bildungssystems aneignen. Babys beobachten, wiederholen, lernen, testen und verbessern sich. Wenn n\u00f6tig, improvisieren sie.<\/p>\n

Aber die \u00c4hnlichkeit zwischen Maschinen und Menschen ist sehr oberfl\u00e4chlich. \u201eLernen” aus menschlicher Sicht ist etwas ganz anderes und viel nuancierter und komplexer als \u201eLernen” f\u00fcr die Maschine.<\/p>\n