Maschinelles Lernen (ML)

Kernkonzept

Die zentrale Idee hinter dem maschinellen Lernen ist die Entwicklung und Nutzung von Algorithmen, die Eingabedaten verarbeiten und lernen können, um die gewünschte Ausgabe zu produzieren. Bei diesem Lernprozess werden in der Regel große Datensätze in den Algorithmus eingespeist, der dann seine internen Parameter anpasst, um Fehler zu minimieren oder die Genauigkeit seiner Vorhersagen oder Klassifizierungen zu maximieren. Effektives ML hängt oft von einer gründlichen Datenvorverarbeitung ab, um sicherzustellen, dass die Eingabedaten für den Lernalgorithmus geeignet sind. Das ultimative Ziel ist es, Maschinen in die Lage zu versetzen, komplexe Probleme selbstständig zu lösen oder genaue Vorhersagen zu treffen.

Arten von maschinellem Lernen

Maschinelles Lernen wird in der Regel in verschiedene Haupttypen eingeteilt, die jeweils für unterschiedliche Aufgaben und Daten geeignet sind:

• Überwachtes Lernen: Modelle lernen aus gelabelten Daten, bei denen jeder Datenpunkt eine bekannte Eingabe und Ausgabe hat. Dies ist bei Aufgaben wie Regression und Bildklassifizierung üblich.
• Unüberwachtes Lernen: Modelle erkennen Muster und Strukturen in unbeschrifteten Daten ohne vordefinierte Ausgaben. Zu den Techniken gehören Clustering und Dimensionalitätsreduktion. Weitere Informationen findest du in der Übersicht über unüberwachtes Lernen.
• Verstärkungslernen: Agenten lernen, eine Reihe von Entscheidungen zu treffen, indem sie versuchen, ein Belohnungssignal durch Versuch und Irrtum in einer Umgebung zu maximieren. Hintergrundinformationen zum Reinforcement Learning findest du in diesem Überblick.

Anwendungen in der realen Welt

Maschinelles Lernen treibt Innovationen in unzähligen Bereichen voran. Hier sind ein paar prominente Beispiele:

• Gesundheitswesen: ML-Algorithmen werden in der medizinischen Bildanalyse eingesetzt, um Ärzte bei der Diagnose von Krankheiten zu unterstützen, z. B. bei der Erkennung von Tumoren auf Scans.
• Transport und Einzelhandel: ML ermöglicht Funktionen in autonomen Fahrzeugen und optimiert die Abläufe im Einzelhandel durch Anwendungen wie Nachfrageprognosen und KI für ein intelligenteres Bestandsmanagement im Einzelhandel. Weitere Informationen findest du in diesem Überblick über KI im Einzelhandel.

Relevanz in KI und Computer Vision

Maschinelles Lernen ist eine tragende Säule der modernen KI und hat vor allem im Bereich der Computer Vision (CV) große Auswirkungen. Aufgaben wie Objekterkennung, Bildsegmentierung und Gesichtserkennung stützen sich stark auf maschinelle Modelle, um visuelle Informationen zu interpretieren und zu verstehen. Hochmoderne Modelle wie Ultralytics YOLO nutzen ML-Techniken, um eine hohe Genauigkeit und Geschwindigkeit zu erreichen. Frameworks wie PyTorch und Plattformen wie Ultralytics HUB bieten die notwendigen Werkzeuge für die Entwicklung, das Training und den Einsatz dieser anspruchsvollen ML-Modelle.

Beziehung zu Deep Learning

Deep Learning (DL) ist ein spezielles Teilgebiet des maschinellen Lernens. Es konzentriert sich auf die Verwendung von Neuronalen Netzen (NN) mit mehreren Schichten (tiefe Architekturen), um komplexe Muster in Daten zu modellieren. DL hat die Möglichkeiten des maschinellen Lernens erheblich erweitert, vor allem in Bereichen, in denen es um unstrukturierte Daten wie Bilder, Texte und Töne geht, denn es kann automatisch hierarchische Merkmale erlernen, ohne dass man sie manuell erstellen muss. Mehr über die Grundlagen erfährst du in der Übersicht Neuronale Netze erklärt. Viele fortschrittliche Computer-Vision-Modelle, darunter auch die von Ultralytics entwickelten, basieren auf den Prinzipien des Deep Learning.