Maschinenlernen klingt innovativ und hat schier unendlich viele Einsatzzwecke, doch die Funktionsweise verstehen nur wenige. Sie basiert auf komplizierten mathematischen und
Machine-Learning-Algorithmen befähigen Computer, selbstständig zu lernen. Statt eine Vielzahl von Regeln im Quellcode zu programmieren, werden dafür statistische Algorithmen verwendet. Wer Machine Learning in seinen Programmen einsetzen will, sollte als Erstes die Funktionsweise und Einsatzzwecke der jeweiligen Algorithmen kennen. Hierzu müssen Anwender allerdings nicht unbedingt die Mathematik dahinter durchdringen, obwohl das natürlich hilfreich ist. Oft reicht es, die prinzipielle Funktionsweise der Algorithmen zu verstehen, die es als fertige Bausteine in diversen Programmiersprachenbibliotheken gibt.
3 Hauptkategorien:
1) Supervised Learning (überwachtes Lernen),
2) Unsupervised Learning (unüberwachtes Lernen) und
3) Reinforcement Learning (bestärkendes Lernen).
Die meisten Algorithmen, aber nicht alle, suchen nach Korrelationen, also Beziehungen und Zusammenhängen, zwischen Input-Daten untereinander oder zwischen den Input-Daten und dem Output.
Random Forest ist bei Anwendungsfällen, wo eine Klassifikation erforderlich ist, einer der am häufigsten verwendeten Algorithmen, gehe es nun um Pflanzenarten, Kundengruppen, Produktklassen oder etwas anderes. Am Rande sei noch zu erwähnen: Nicht nur für die Klassifikation, sondern auch für Regressionsaufgaben kann Random Forest eingesetzt werden.
Der k-Means-Algorithmus wird schon seit Jahrzehnten für das Suchen nach Clustern in verschiedensten Fachgebieten erfolgreich eingesetzt: soziodemografische Forschung, Konsumforschung, Marktforschung, Biologie, Astronomie und mehr. Immer, wenn man sich fragt, ob Merkmalsträger (Objekte, Menschen etc.) bezüglich ihrer Eigenschaften Gruppen bilden, sind Clustering-Algorithmen eine Methode, das zu erforschen und der k-Means-Algorithmus ist oft die erste Wahl, weil er relativ simpel und in fast allen gängigen Statistikbibliotheken verfügbar ist.
Reinforcement Learning gewinnt unter anderem wegen Fortschritten bei intelligenten, multifunktionalen Robotern an Bedeutung. Genetische Algorithmen sind die wohl bekanntesten Vertreter dieser Kategorie von Machine Learning. Sie nehmen sich die Evolutionsprozesse der Natur als Vorbild und sind insbesondere auch deshalb so interessant, weil sie zu komplett neuen Erkenntnissen führen können.
Im Gegensatz zu Supervised Learning, bei dem der Computer lernt, neue Fälle anhand von Klassifizierungen alter Fälle richtig zuzuordnen, und auch im Gegensatz zu Unsupervised Learning, wo einfach nur nach Ähnlichkeiten und Unterschieden gesucht und damit geclustert wird, können genetische Algorithmen durch viele evolutionäre Zwischenschritte zu noch nie zuvor dagewesenen neuen Ergebnissen führen: Vor kurzem gelang es mittels genetischer Algorithmen, dem Computer das Spielen einiger klassischer Videospiele wie Asteroids, Defender und Kung Fu Master so gut beizubringen, dass selbst die Deejavascript:void(0)p Learning Neural Networks geschlagen wurden.