Enthüllung der Kernkonzepte des maschinellen Lernens Training Ppt

Folie 4

Auf dieser Folie wird maschinelles Lernen vorgestellt. Hierbei handelt es sich um die Untersuchung von Computeralgorithmen, die sich auf der Grundlage von Erfahrungen und Daten automatisch verbessern können. Es ist ein Bestandteil der Künstlichen Intelligenz.

Hinweise für Kursleiter:

Algorithmen für maschinelles Lernen haben viele Anwendungen, beispielsweise in der Medizin, beim E-Mail-Filtern, bei der Spracherkennung und in der Bildverarbeitung, wo es schwierig oder undurchführbar ist, herkömmliche Algorithmen zur Ausführung der erforderlichen Aufgaben zu entwickeln.

Folie 5

Diese Folie informiert über die Geschichte des „Machine Learning“. Arthur Samuel, ein Pionier auf den Gebieten Computerspiele und künstliche Intelligenz, erfand 1959 den Begriff „Maschinelles Lernen“.

Folie 6

Auf dieser Folie wird aufgeführt, dass Algorithmen für maschinelles Lernen in der Lage sind, sich durch Training selbst zu verbessern. Derzeit werden drei wichtige Strategien zum Trainieren von ML-Algorithmen verwendet: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen.

Folie 7

Diese Folie gibt einen Überblick über überwachtes Lernen, eine der grundlegendsten Arten des maschinellen Lernens. In diesem Fall wird der Algorithmus für maschinelles Lernen anhand gekennzeichneter Daten trainiert. Auch wenn die Daten entsprechend gekennzeichnet sein müssen, damit diese Methode funktioniert, ist überwachtes Lernen wirkungsvoll, wenn es in den richtigen Situationen eingesetzt wird.

Folie 8

Diese Folie zeigt, dass die Regressionsanalyse der grundlegende Ansatz beim maschinellen Lernen ist, um Regressionsprobleme mithilfe von Datenmodellierung anzugehen. Dabei geht es darum, die beste Anpassungslinie festzulegen, die durch alle Datenpunkte verläuft und gleichzeitig den Abstand zwischen dem Balken und jedem Datenpunkt minimiert. Der Regressionsansatz wird hauptsächlich zur Ermittlung der Prädiktorstärke, des Prognosetrends, von Zeitreihen und im Falle eines Ursache-Wirkungs-Zusammenhangs verwendet.

Folie 9

Auf dieser Folie wird beschrieben, dass die lineare und die logistische Regression zwei Regressionsanalyseansätze sind, die zur Lösung von Problemen mithilfe von maschinellem Lernen verwendet werden. Dies sind die beliebtesten Regressionsansätze. Es gibt jedoch viele Arten von Regressionsanalyseansätzen beim maschinellen Lernen, und ihre Verwendung variiert je nach Art der Daten.

Folie 10

Auf dieser Folie heißt es, dass es viele Arten der Regressionsanalyse gibt und die Anwendung jedes Ansatzes von der Anzahl der Komponenten abhängt. Zu diesen Variablen gehören die Art der Zielvariablen, die Form der Regressionsgeraden und die Anzahl der unabhängigen Variablen.

Folie 11

Auf dieser Folie wird beschrieben, dass die lineare Regression eine der grundlegendsten Formen der Regression beim maschinellen Lernen ist. Das lineare Regressionsmodell verknüpft eine Prädiktorvariable und eine abhängige Variable linear.

Folie 12

Auf dieser Folie heißt es, dass es sich bei der Polynomregression um eine Art Regressionsanalyseansatz beim maschinellen Lernen handelt. Sie ähnelt der multiplen linearen Regression, weist jedoch einige Unterschiede auf. Als Schätzer wird ein lineares Modell verwendet. Die Methode des kleinsten mittleren Quadrats wird auch in der Polynomregression verwendet.

Folie 13

Auf dieser Folie heißt es, dass diese Art der Regression beim maschinellen Lernen eingesetzt wird, wenn die unabhängigen Variablen eine starke Korrelation aufweisen. Dies liegt daran, dass in multikollinearen Daten die Schätzungen der kleinsten Quadrate zu unverzerrten Ergebnissen führen. Wenn die Kollinearität jedoch zu hoch ist, liegt möglicherweise ein gewisser Bias-Wert vor.

Folie 14

Auf dieser Folie wird aufgeführt, dass die Lasso-Regression eine Art Regression im maschinellen Lernen ist, die Regularisierung und Funktionsauswahl umfasst. Es verbietet die absolute Größe der Regressionskoeffizienten; und als Ergebnis nähert sich der Koeffizientenwert 0, was bei der Ridge-Regression nicht der Fall ist.

Folie 15

Diese Folie zeigt, dass die Bayes'sche Regression eine Art maschineller Lernregression ist, die das Bayes-Theorem verwendet, um den Wert von Regressionskoeffizienten zu bestimmen. Anstatt die kleinsten Quadrate zu berechnen, bestimmt dieser Regressionsansatz die Posteriorverteilung der Merkmale.

Folie 16

Auf dieser Folie heißt es, dass Entscheidungsbäume ein praktisches Werkzeug sind und viele Anwendungen haben. Entscheidungsbäume können zur Lösung von Klassifizierungs- und Regressionsproblemen verwendet werden. Der Name weist darauf hin, dass die Vorhersagen aus einer Reihe merkmalsbasierter Aufteilungen mithilfe einer flussdiagrammähnlichen Baumstruktur angezeigt werden. Alles beginnt mit einem Wurzelknoten und endet mit einer Blattauswahl.

Folie 17

Diese Folie gibt einen Überblick über den Random-Forest-Algorithmus. Ein Random Forest ist eine Ansammlung von Entscheidungsbäumen. Jeder Baum wird klassifiziert und der Baum „stimmt“ für diese Klasse, um ein neues Element basierend auf seinen Eigenschaften zu klassifizieren. Der Wald wählt die Kategorisierung mit der höchsten Stimmenzahl (über alle Bäume im Wald).

Folie 18

Diese Folie gibt einen Überblick über die logistische Regression, eine Art Regressionsanalyseansatz, der angewendet wird, wenn die abhängige Variable diskontinuierlich ist: Zum Beispiel 0 oder 1, wahr oder falsch und so weiter. Die Logit-Funktion wird in der logistischen Regression verwendet, um den Zusammenhang zwischen der Zielvariablen und den unabhängigen Variablen zu bewerten.

Folie 19

Diese Folie zeigt, dass KNN ein einfacher Algorithmus ist, der alle vorhandenen Instanzen behält und neue Fälle basierend auf der Mehrheitsentscheidung seiner k Nachbarn klassifiziert.

Anmerkungen des Kursleiters:

KNN kann mit einer Analogie aus dem wirklichen Leben verstanden werden. Wenn Sie beispielsweise mehr über jemanden erfahren möchten, chatten Sie mit seinen Freunden und Kollegen.

Bedenken Sie Folgendes, bevor Sie sich für den K Nearest Neighbors-Algorithmus entscheiden:

• Die Berechnung und Ermittlung von KNN ist kostspielig
• Variablen sollten normalisiert werden, da Variablen mit einem größeren Bereich sonst zu einer Verzerrung des Algorithmus führen
• Die Daten müssen noch vorverarbeitet werden

Folie 20

Auf dieser Folie heißt es, dass Naive Bayes eine probabilistische Technik des maschinellen Lernens ist, die auf dem Bayes-Theorem basiert und für eine Vielzahl von Klassifizierungsproblemen verwendet wird. Ein Naive-Bayesian-Modell ist einfach zu erstellen und funktioniert gut mit großen Datenmengen. Es ist einfach zu bedienen und übertrifft selbst die ausgefeiltesten Klassifizierungsalgorithmen.

Folie 21

Diese Folie zeigt, dass der SVM-Algorithmus ein Klassifizierungsprozess ist, bei dem Rohdaten als Punkte in einem n-dimensionalen Raum angezeigt werden (n ist die Anzahl der vorhandenen Features). Der Wert jedes Merkmals wird dann einem bestimmten Ort zugeordnet, wodurch die Kategorisierung der Daten vereinfacht wird. Klassifikatorlinien können Daten unterteilen und in einem Diagramm darstellen.

Folie 23

Diese Folie zeigt, dass unbeaufsichtigtes maschinelles Lernen den Vorteil hat, mit unbeschrifteten Daten zu arbeiten. Dies bedeutet, dass keine menschliche Arbeit erforderlich ist, um den Datensatz maschinenlesbar zu machen, was bedeutet, dass die Software mit viel größeren Datensätzen arbeiten kann.

Folie 24

Auf dieser Folie wird das Clustering im maschinellen Lernen vorgestellt, das eine Population kategorisiert oder Datenpunkte in Clustern zusammenfasst, sodass Datenpunkte in einer ähnlichen Gruppe untereinander identischer sind und sich von Datenpunkten in anderen Gruppen unterscheiden. Dabei handelt es sich um eine Klassifizierung von Objekten anhand ihrer Ähnlichkeiten und Unähnlichkeiten.

Folie 25

Auf dieser Folie wird aufgeführt, dass verschiedene Clustering-Techniken verfügbar sind. Im Folgenden sind die am häufigsten beim maschinellen Lernen verwendeten Clustering-Ansätze aufgeführt: Partitionierungs-Clustering, dichtebasiertes Clustering, verteilungsmodellbasiertes Clustering, hierarchisches Clustering und Fuzzy-Clustering.

Folie 26

Diese Folie zeigt, dass die Daten mithilfe der Partitioning-Clustering- oder Centroid-basierten Technik in nicht-hierarchische Gruppen unterteilt werden. Die K-Means-Clustering-Technik ist ein bekanntes Beispiel. Der Datensatz ist in K Gruppen unterteilt, wobei K die Anzahl der vordefinierten Gruppen angibt. Das Clusterzentrum ist so gestaltet, dass der Abstand zwischen den Datenpunkten eines Clusters und dem Schwerpunkt eines anderen Clusters möglichst gering ist.

Folie 27

Auf dieser Folie heißt es, dass der dichtebasierte Clustering-Ansatz dichte Bereiche zu Clustern zusammenfügt und beliebig geformte Verteilungen generiert, solange der dichte Bereich verknüpft werden kann. Das Programm erreicht dies, indem es unterschiedliche Cluster im Datensatz erkennt und Gebiete mit hoher Dichte zu Clustern verbindet.

Hinweise für Kursleiter: Wenn der Datensatz eine hohe Dichte und mehrere Dimensionen aufweist, kann es für diese Algorithmen schwierig sein, die Datenpunkte zu gruppieren.

Folie 28

Auf dieser Folie wird erklärt, dass der verteilungsmodellbasierte Clustering-Ansatz Daten basierend auf der Wahrscheinlichkeit unterteilt, dass ein Datensatz einer bestimmten Verteilung entspricht. Die Gruppierung erfolgt durch die Annahme spezifischer Verteilungen, insbesondere der Gaußschen Verteilung.

Hinweise für Kursleiter: Die Expectation-Maximization-Clustering-Methode, die Gaußsche Mischungsmodelle verwendet, ist ein Beispiel für diese Art (GMM) des Clusterings.

Folie 29

Diese Folie zeigt, dass als Alternative zum partitionierten Clustering hierarchisches Clustering verwendet werden kann, da keine Angabe der Anzahl der zu bildenden Cluster erforderlich ist. Der Datensatz wird in Cluster unterteilt, um eine baumartige Struktur zu bilden, die als Dendrogramm bezeichnet wird.

Folie 30

Auf dieser Folie heißt es, dass es sich beim Fuzzy-Clustering um eine sanfte Technik handelt, bei der ein Datenobjekt mehr als einer Gruppe namens Clustern zugeordnet werden kann. Jeder Datensatz verfügt über eine Sammlung von Mitgliedschaftskoeffizienten, die proportional zum Grad der Mitgliedschaft in einem Cluster sind.

Folie 31

Diese Folie gibt einen Überblick über den Clustering-Algorithmus, einen unbeaufsichtigten Ansatz, bei dem die Eingabe nicht gekennzeichnet ist. Die Problemlösung basiert auf der Expertise des Algorithmus, die er durch die Lösung ähnlicher Probleme während des Trainingsplans gewonnen hat.

Hinweise für Kursleiter:

• Clustering-Methoden können basierend auf den oben beschriebenen Modellen kategorisiert werden. Viele Clustering-Methoden wurden beschrieben, aber nur wenige sind weit verbreitet
• Die Art der verwendeten Daten bestimmt den Clustering-Algorithmus. Einige Algorithmen müssen beispielsweise die Anzahl der Cluster in einem bestimmten Datensatz schätzen, während andere den kürzesten Abstand zwischen den Datensatzbeobachtungen ermitteln müssen

Folie 32

Auf dieser Folie werden die verschiedenen Arten von Clustering-Algorithmen beim unbeaufsichtigten maschinellen Lernen aufgeführt. Dazu gehören K-Means, Mean-Shift, DBSCAN, Erwartungsmaximierungs-Clustering mit GMM, agglomerativer hierarchischer Algorithmus und Affinitätsausbreitung.

Folie 33

Diese Folie gibt einen Überblick über den K-Means-Clustering-Algorithmus, einen unbeaufsichtigten Ansatz, bei dem die Stichproben in separate Cluster mit gleichen Varianzen unterteilt werden, um die Daten zu klassifizieren.

Folie 34

Auf dieser Folie wird der Mean-Shift-Algorithmus vorgestellt, der versucht, dichte Bereiche innerhalb einer gleichmäßigen Verteilung von Datenpunkten zu lokalisieren. Es handelt sich um ein Beispiel für ein schwerpunktbasiertes Modell, das Kandidaten für den Schwerpunkt so aktualisiert, dass sie der Mittelpunkt von Punkten innerhalb einer bestimmten Region sind.

Folie 35

Auf dieser Folie heißt es, dass der DBSCAN-Algorithmus für Density-Based Spatial Clustering of Applications with Noise steht. Es handelt sich um ein dichtebasiertes Modell, das mit dem Mean-Shift-Modell vergleichbar ist, jedoch einige bemerkenswerte Verbesserungen aufweist. Mit diesem Ansatz werden die Zonen mit hoher Dichte von den Gebieten mit geringer Dichte unterschieden.

Folie 36

Diese Folie zeigt, dass Expectation-Maximization Clustering mithilfe des GMM-Algorithmus als Ersatz für den K-Means-Algorithmus oder in Situationen verwendet werden kann, in denen der K-Means-Algorithmus fehlschlägt. Die Datenpunkte in GMM sollen gaußverteilt sein.

Folie 37

Auf dieser Folie wird aufgeführt, dass der agglomerative hierarchische Algorithmus die hierarchische Clusterbildung von unten nach oben durchführt. Jeder Datenpunkt wird zunächst als einzelner Cluster betrachtet und dann bei dieser Methode nach und nach zusammengeführt.

Folie 38

Diese Folie gibt einen Überblick über die Affinitätsausbreitung, die sich von anderen Clustering-Methoden unterscheidet, da keine Angabe der Anzahl der Cluster erforderlich ist. Jeder Datenpunkt übermittelt bis zur Konvergenz eine Nachricht zwischen dem Datenpunktpaar.

Folie 39

Diese Folie listet einige bekannte Anwendungen des Clustering-Ansatzes beim maschinellen Lernen auf, z. B. bei der Erkennung von Krebszellen, Suchmaschinen, Segmentierung von Kunden, Biowissenschaften und Landnutzung.

Hinweise für Kursleiter:

• Bei der Erkennung von Krebszellen: Zur Identifizierung bösartiger Zellen werden häufig Clustering-Techniken eingesetzt. Es unterteilt die krebserregenden und nicht krebserregenden Datensätze in verschiedene Kategorien
• Wird in Suchmaschinen verwendet: Auch Suchmaschinen nutzen den Clustering-Ansatz. Das Suchergebnis basiert auf dem Objekt, das der Suchanfrage am nächsten liegt. Dies wird erreicht, indem verwandte Datenobjekte in einer einzigen Gruppe zusammengefasst werden, die von den anderen unterschiedlichen Dingen getrennt ist. Die Qualität der verwendeten Clustering-Methode bestimmt die Genauigkeit der Ergebnisse einer Abfrage
• Segmentierung von Kunden: Sie wird in der Marktforschung und in sozialen Medien verwendet, um Kunden anhand ihrer Interessen und Entscheidungen zu trennen
• In den Biowissenschaften: In der Biologie wird es zur Klassifizierung von Pflanzen- und Tierarten mithilfe des Bilderkennungsansatzes verwendet
• Bei der Landnutzung: Der Clustering-Ansatz wird in der GIS-Datenbank verwendet, um Gebiete mit ähnlicher Landnutzung zu entdecken. Dies kann bei der Bestimmung, für welche Funktion ein bestimmtes Grundstück genutzt werden soll, von Vorteil sein

Folie 40

Auf dieser Folie wird das Lernen von Assoziationsregeln vorgestellt. Dabei handelt es sich um eine Form des unbeaufsichtigten Lernansatzes, der die Abhängigkeit eines Datenelements von einem anderen erkennt und diese entsprechend zuordnet, um bessere Einblicke in die Daten zu erhalten.

Hinweise für Kursleiter:

Lernalgorithmen für Assoziationsregeln werden in drei Typen eingeteilt:

• Apriori
• Eklat
• FP-Wachstumsalgorithmus

Folie 41

Auf dieser Folie heißt es, dass der Apriori-Algorithmus für die Warenkorbanalyse verwendet wird und dabei hilft, die Artikel zu verstehen, die zusammen gekauft werden können. Es kann auch im medizinischen Bereich eingesetzt werden, um Reaktionen von Patienten auf Arzneimittel zu ermitteln.

Folie 42

Auf dieser Folie wird aufgeführt, dass Eclat „Äquivalenzklassentransformationsalgorithmus“ bedeutet. Dieser Ansatz verwendet eine Tiefensuchstrategie, um gemeinsame Elementmengen in einer Transaktionsdatenbank zu finden, und er wird schneller ausgeführt als der Apriori-Algorithmus.

Folie 43

Auf dieser Folie wird der FP Growth-Algorithmus erläutert, der für Frequent Pattern steht. Der FP-Wachstumsalgorithmus ist eine fortgeschrittenere Version des Apriori-Algorithmus. Es stellt die Datenbank als eine Baumstruktur dar, die als häufiges Muster oder Baum bezeichnet wird. Das Ziel dieses häufigen Baums besteht darin, die häufigsten Muster zu finden.

Folie 44

Auf dieser Folie wird aufgeführt, dass das Lernen von Assoziationsregeln beim maschinellen Lernen viele Einsatzmöglichkeiten hat. Nachfolgend sind einige häufige Anwendungen des Lernens von Assoziationsregeln aufgeführt.

Hinweise für Kursleiter:

• Analyse des Warenkorbs: Dies ist ein bekanntes Beispiel und eine bekannte Anwendung des Lernens von Assoziationsregeln. Große Händler nutzen diese Methode häufig, um die Beziehung zwischen Waren herauszufinden
• Medizinische Diagnose: Patienten können mithilfe von Assoziationsregeln leicht diagnostiziert werden, da sie bei der Bestimmung der Krankheitswahrscheinlichkeit für eine bestimmte Krankheit hilfreich sind
• Sequenz von Proteinen: Die Assoziationsregeln helfen bei der Erstellung synthetischer Proteine
• Es wird auch bei der Kataloggestaltung, der Verlustführeranalyse und verschiedenen anderen Anwendungen eingesetzt

Folie 45

Diese Folie gibt einen Überblick über das Hidden-Markov-Modell. Es handelt sich um ein statistisches Modell, das beim maschinellen Lernen verwendet wird und die Entwicklung beobachtbarer Ereignisse erklären kann, die von internen Variablen beeinflusst werden, die nicht offensichtlich oder sichtbar sind.

Folie 46

Diese Folie bietet eine Einführung in das Reinforcement Learning, das direkt davon inspiriert ist, wie Menschen in ihrem täglichen Leben aus Daten lernen. Es enthält einen Algorithmus, der Versuch und Irrtum nutzt, um sich zu verbessern und aus neuen Szenarien zu lernen. Günstige Ergebnisse werden gefördert oder „verstärkt“, während ungünstige Ergebnisse entmutigt werden.

Anmerkungen des Kursleiters: Verstärkung der Lernfunktionen durch Platzierung des Algorithmus in einer Arbeitsumgebung mit einem Dolmetscher und einem Belohnungssystem, das auf dem psychologischen Konzept der Konditionierung basiert. Jede Iteration des Algorithmus liefert das Ausgabeergebnis an den Interpreter, der beurteilt, ob das Ergebnis günstig ist oder nicht

Folie 48

Diese Folie beschreibt die Bedeutung des maschinellen Lernens, da es Unternehmen Einblicke in Trends im Verbraucherverhalten und betrieblichen Geschäftsmustern bietet und bei der Entwicklung neuer Produkte hilft. Viele große Organisationen wie Facebook, Google und Uber haben maschinelles Lernen zu einem Kernaspekt ihrer Geschäftstätigkeit gemacht.

Folie 49

Auf dieser Folie werden sieben wichtige Schritte aufgeführt, die das Ziel, Computer mit Intelligenz einzubetten, relativ einfach machen, angefangen bei der Datenerfassung bis hin zur Erstellung von Vorhersagen.

Folie 50

Diese Folie beschreibt den ersten Schritt des maschinellen Lernens: Datenerfassung. Maschinen lernen zunächst aus den Daten, die Sie ihnen bereitstellen. Es ist wichtig, zuverlässige Daten zu erhalten, um die richtigen Muster für Ihr maschinelles Lernmodell zu identifizieren. Stellen Sie sicher, dass Sie Daten aus einer seriösen Quelle verwenden, da sich diese direkt auf die Ausgabe Ihres Modells auswirken. Gute Daten sind aussagekräftig, weisen wenige fehlende oder doppelte Zahlen auf und stellen die verfügbaren Unterkategorien/Klassen genau dar.

Folie 51

Auf dieser Folie werden die wichtigsten Punkte der Datenvorbereitung aufgeführt. Beginnen Sie damit, alle Ihre Daten zusammenzustellen und zufällig zu sortieren. Stellen Sie dabei sicher, dass die Daten gleichmäßig verteilt sind und dass die Reihenfolge den Lernprozess nicht beeinträchtigt. Aufteilen der bereinigten Daten in zwei Sätze, einen zum Training und einen zum Testen. Der Trainingssatz ist der Satz, aus dem Ihr Modell lernt, und ein Testsatz wird verwendet, um die Korrektheit Ihres Modells nach dem Training zu beurteilen.

Folie 52

Diese Folie zeigt, dass ein Modell für maschinelles Lernen durch die Ausführung eines Algorithmus für maschinelles Lernen auf den erfassten Daten entsteht. Es ist wichtig, ein Modell auszuwählen, das für die jeweilige Arbeit geeignet ist. Wissenschaftler und Ingenieure haben Modelle erstellt, die für Aufgaben wie Spracherkennung, Bilderkennung, Vorhersage usw. geeignet sind.

Folie 53

Auf dieser Folie wird aufgeführt, dass die kritischste Phase beim maschinellen Lernen das Training ist. Während des Trainings geben Sie die aufbereiteten Daten an Ihr Machine-Learning-Modell weiter, das nach Mustern sucht und Vorhersagen trifft.

Folie 54

Diese Folie gibt einen Überblick über die Modellbewertung. Nachdem Sie Ihr Modell trainiert haben, möchten Sie sehen, wie es funktioniert. Dies wird erreicht, indem die Leistung des Modells anhand unbekannter Daten bewertet wird. Wenn die Tests mit denselben Daten durchgeführt werden, die auch für das Training verwendet wurden, erhalten Sie ein unverhältnismäßig hohes Maß an Präzision. Das Programm ist in diesem Fall bereits mit den Daten vertraut und erkennt dieselben Muster wie zuvor.

Folie 55

Auf dieser Folie sind die Schritte zur Parameteroptimierung aufgeführt. Nachdem Sie Ihr Modell konstruiert und getestet haben, prüfen Sie, ob Sie seine Genauigkeit verbessern können. Dies wird durch die Feinabstimmung der Parameter in Ihrem Modell erreicht. Parameter sind die Variablen im Modell, die normalerweise vom Programmierer bestimmt werden. Die Genauigkeit ist bei einem bestimmten Parameterwert am höchsten, und das Finden dieser Einstellungen wird als Parameteroptimierung bezeichnet.

Folie 56

Diese Folie gibt einen Überblick über die Vorhersage. Unter „Vorhersage“ versteht man das Ergebnis eines Algorithmus, nachdem er anhand eines früheren Datensatzes trainiert und auf neue Daten angewendet wurde, während gleichzeitig die Wahrscheinlichkeit eines bestimmten Ergebnisses vorhergesagt wird, beispielsweise ob ein Kunde in 30 Tagen abwandern würde oder nicht.

Folie 57

Auf dieser Folie werden die Vorteile des maschinellen Lernens aufgeführt: Trends und Muster lassen sich leicht erkennen; es ist keine menschliche Interaktion erforderlich (Automatisierung); kontinuierliche Verbesserung; Der Umgang mit mehrdimensionalen und vielfältigen Daten und neuen Anwendungen ist ständig in Arbeit.

Folie 58

Diese Folie nennt Nachteile des maschinellen Lernens: Datenerfassung, Zeit- und Ressourcenaufwand, Interpretation der Ergebnisse und hohe Fehleranfälligkeit.

Hinweise für Kursleiter:

• Datenerfassung: Maschinelles Lernen erfordert umfangreiche Datensätze zum Trainieren, die inklusiv/unvoreingenommen und von hoher Qualität sein müssen. Manchmal müssen sie auch warten, bis neue Daten erstellt werden
• Zeit und Ressourcen: ML benötigt ausreichend Zeit, damit die Algorithmen ausreichend lernen und sich weiterentwickeln können, um ihren Zweck mit hoher Präzision und Relevanz zu erfüllen. Es erfordert außerdem viele Ressourcen, um zu funktionieren, und dies erfordert möglicherweise zusätzliche Anforderungen an die Rechenleistung
• Die Interpretation der Ergebnisse: Ein weiteres erhebliches Problem ist die Fähigkeit, die Ergebnisse der Algorithmen angemessen zu verstehen. Sie müssen bei der Auswahl der Algorithmen für Ihre Anwendung sehr selektiv vorgehen
• Hohe Fehleranfälligkeit: Maschinelles Lernen ist autark und daher fehleranfällig. Angenommen, Sie trainieren einen Algorithmus mithilfe von Datensätzen, die zu klein sind, um inklusiv zu sein. Aufgrund eines voreingenommenen Trainingssatzes haben Sie voreingenommene Vorhersagen. Dadurch werden Käufer mit irrelevanter Werbung konfrontiert. Beim maschinellen Lernen können solche Fehler eine Kaskade von Fehlern auslösen, die über längere Zeiträume unentdeckt bleiben können. Wenn diese erkannt werden, dauert es lange, die Ursache des Problems zu ermitteln, und viel länger, die Abhilfe zu schaffen.

Folie 59

Diese Folie listet die fünf Bereiche auf, die für zukünftige Verbesserungen des maschinellen Lernens vorgesehen sind.

Hinweise für Kursleiter:

• Genaue Web-Suchergebnisse: Beim Scrollen durch Google und der Suche nach einem Artikel ist einem möglicherweise nicht bewusst, dass das Ranking und die hierarchische Reihenfolge dieser Ergebnisse absichtlich erstellt werden. In jüngster Zeit haben Techniken des maschinellen Lernens die Ergebnisse von Suchmaschinen erheblich beeinflusst. Zukünftige Suchmaschinen werden bei der Generierung von Antworten, die für Online-Suchende bemerkenswert relevant sind, wesentlich hilfreicher sein, da neuronale Netze mit neuen Deep-Learning-Techniken weiter expandieren und sich weiterentwickeln
• Präzise, maßgeschneiderte Anpassung: Unternehmen könnten maschinelles Lernen nutzen, um ihr Verständnis ihrer Zielgruppe zu verfeinern, um die Verbesserung bestehender Waren, die Entwicklung neuer Produkte, das Merchandising und die Erzielung höherer Bruttoeinnahmen zu beeinflussen. Mit weiteren Entwicklungen und Entdeckungen im dynamischen Bereich des maschinellen Lernens und seiner Algorithmen werden wir Zeuge einer präzisen Ausrichtung und fein abgestimmten Anpassung für Kunden in großem Maßstab werden
• Zunahme des Quantencomputings: Es wird erwartet, dass Quantencomputing in der Zukunft des maschinellen Lernens eine bedeutende Rolle spielen wird. Da wir eine schnelle Verarbeitung, schnelles Lernen, erhöhte Kapazitäten und verbesserte Fähigkeiten sehen, würde die Einbindung von Quantencomputing in maschinelles Lernen den Bereich verändern. Dies bedeutet, dass komplexe Herausforderungen, die wir mit herkömmlichen Ansätzen und der aktuellen Technologie möglicherweise nicht bewältigen können, möglicherweise in Sekundenbruchteilen gelöst werden können.
• Dateneinheiten nehmen rasant zu: Weitere Fortschritte im maschinellen Lernen dürften den täglichen Betrieb von Dateneinheiten verbessern und ihnen helfen, ihre Ziele effizienter zu erreichen. Maschinelles Lernen wird in den kommenden Jahrzehnten eine der grundlegenden Methoden zur Generierung, Aufrechterhaltung und Entwicklung digitaler Anwendungen sein. Dies zeigt, dass Datenkuratoren und Technologieentwickler weniger Zeit mit der Programmierung und Aktualisierung von ML-Ansätzen verbringen und sich stattdessen auf das Verständnis und die kontinuierliche Verbesserung ihrer Prozesse konzentrieren
• Selbstlernendes System, das vollständig automatisiert ist: Maschinelles Lernen wird einfach ein weiteres Element in der Softwareentwicklung sein. Open-Source-Frameworks wie Keras, PyTorch und Tensorflow haben nicht nur die Art und Weise standardisiert, wie Einzelpersonen Algorithmen für maschinelles Lernen erstellen, sondern auch die grundlegenden Einschränkungen beseitigt. Manches davon mag wie Utopie erscheinen, aber da so viel Technologie, Informationen und Ressourcen online verfügbar sind, entstehen solche Ökosysteme langsam aber sicher. Dies würde zu Umgebungen mit nahezu keiner Codierung und zur Entstehung vollautomatischer Systeme führen

Schieben Sie 74 bis 89

Diese Folien enthalten anregende Aktivitäten, um das Publikum der Schulungssitzung einzubeziehen.

Schieben Sie 90 bis 117

Diese Folien enthalten einen Schulungsvorschlag, der beschreibt, was das Unternehmen, das Unternehmensschulungen anbietet, für den Kunden erreichen kann.