Machine Learning
Siehe: Künstliche Intelligenz, Computer Science
Die ersten großen Durchbrüche in der KI kamen vor allem in Bezug auf Aufgaben, die für Menschen intellektuell anspruchsvoll, für Computer aber relativ leicht zu lösen waren, weil sie sich als Liste formaler mathematischer Regeln beschreiben ließen. Die große Schwierigkeit lag aber tatsächlich in den Aufgaben, die für den Menschen relativ einfach und intuitiv sind, sich aber nur schwer formal beschreiben lassen, also z.B. Spracherkennung oder Objekterkennung. (Dies ist auch bekannt als Moravec’s paradox.)
Machine Learning bezieht sich auf einen Ansatz, bei dem Computer mit der Fähigkeit ausgestattet werden, selbstständig Wissen zu generieren, indem sie aus Erfahrungen lernen und Muster aus Rohdaten extrahieren. Das ermöglicht es ihnen, Aufgaben allein auf der Grundlage von Beispielen und ohne explizite Programmierung der Regeln zu lösen.
(Goodfellow et al., 2016) verwendet eine formale Definition aus (Mitchell, 1997), um einen besseren Überblick zu erhalten:
A computer program is said to learn from experience $E$ with respect to some class of tasks $T$ and performance measure $P$, if its performance at tasks in $T$, as measured by $P$, improves with experience $E$.
Zur Aufgabe $T$:
- Klassifikation (z.B. Bildklassifikation)
- Regression
- Anomaliedetektion
- Strukturierte Ausgabe (siehe: Generative KI)
- Denoising
- …
Zum Leistungsmaß $P$:
Zur Erfahrung $E$:
- Supervised Learning
- Unsupervised Learning
- Semi-Supervised Learning
- Self-Supervised Learning
- Reinforcement Learning
Im ML werden typischerweise künstliche neuronale Netze verwendet, die auf dem mathematischen Modell des McCulloch-Pitts-Neuron basieren. Diese Netze sind in verschiedene Schichten von Neuronen gegliedert, welche die gegebenen Eingabedaten schrittweise verarbeiten. Jedes Neuron verfügt über erlernbare Parameter, die bestimmen, wie es die Eingabe verarbeitet, wodurch das Netz seine Parameter so anpassen kann, dass die richtige Ausgabe berechnet wird. Unter Deep Learning versteht man die Verwendung von Netzwerken mit vielen Schichten.
Weitere Themen im Bereich Machine Learning:
- Fine-tuning
- Datenaugmentation
- Synthetische Daten
- Out-of-Distribution (Detektion)
- Contrastive Learning
- …
Einzelne Modell-Architekturen:
- Convolutional Neural Networks
- Autoencoder / Variational Autoencoder
- U-Net
- Generative Adversarial Networks
- Transformer
- Diffusionsmodelle
- …