Supervised Learning
Diese Art des maschinellen Lernens nutzt Daten, die bekannte und bestimmte Muster zeigen. Zum Lernen selbst werden Trainingsdaten genutzt, die ermög- lichen, ein im Voraus bestimmtes Ziel zu erkennen und in der Folge richtig vorherzusagen. Als Ziel kann das Erkennen einer Klasse oder eine Vorhersage für zukünftige Zahlenwerte betrachtet werden. Mögliche Beispiele in der Praxis:
- Bewilligung von Krediten, abhängig von Kredithöhe und Bonität
- Berechnung von Immobilienwerten in bestimmtem Gegenden
- Empfehlungen auf Basis der bisherigen Information zu Kaufverhalten und Interessen
- Analyse und vorausschauende Berechnung von Börsekursen
- Klassifizierung von Texten (Themenzuordnung) und Beschlagwortung von Bildern (Hund / Haus / Tisch)
- Wettervorschau
Unsupervised Learning
Aus der Bezeichnung dieser Art des maschinellen Lernens ergibt sich – im Gegensatz zum supervised learning mit Trainingsdaten – dass der hier angewandte Algorithmus mit unbekannten Datenstrukturen konfrontiert wird. Der Algorithmus soll innerhalb dieser Daten selbstständig Strukturen erkennen und ohne Definition eines Zieles die vorhandenen Daten gruppieren und Cluster definieren. Damit verbunden ist der Aufbau eines Modells, das aus den vorhandenen Daten ableitbar ist. Daher ist es notwendig, eine möglichst große Menge an Daten zur Verfügung zu haben, um überhaupt ein Modell extrahieren zu können. In der Folge werden neue Daten in dieses Modell mit übernommen. Zu diesem Zweck werden beim unsupervised learning andere Algorithmen als beim supervised learning verwendet und auch bereits auf neuronale Netzwerke zurückgegriffen.
Einsatzgebiete für unsupervised learning sind u.a.
- Textanalysen mit inhaltlichen und semantischen Informationen
- Sprachanalyse – auch in Form von Social Bots zur Simulation menschlicher Verhaltensmuster
- automatische Bilderkennung / Bildverarbeitung
- Erkennen von unüblichen Verhaltensmuster (Fraud Detection)
Semi-supervised Learning
Dieses teil-überwachte maschinelle Lernen stellt eine Kombination der beiden zuvor genannten Lern- und Trainingsformen dar. Einerseits nutzt diese Art des maschinellen Lernens vorhandene Trainingsdaten mit einer Zieldefiniti- on zum Aufbau eines Modells. Danach wird ein künstliches neuronales Netz zum Clustering trainiert und auf die Menge unstrukturierter Daten angewen- det. Angewandt wird diese kombinierte Form in den gleichen Bereichen wie unsupervised learning – aufgrund der schnelleren Modellbildung mit Trainingsdaten, allerdings mit geringerem Zeitaufwand. Anwendung findet diese Art des maschinellen Lernens besonders in der Bild/Objekterkennung.
