Machine Learning
Günther Jena
Anwendungsgebiete
- EMail Spam Filter
- Virtuelle Assistenten (Siri, Alexa, Google Assistant, ...)
- Schrifterkennung
- Produktempfehlungen
- Betrugserkennung
- Medizinische Diagnose
- Dynamische Preisgestaltung
- ...
Arthur Samuel prägt 1959 den Begriff Machine Learning
... without explicitly programmed to do so Referenz
Tom Mitchell definiert 1998
Ein Programm lernt aus seiner Erfahrung E bezüglich einer Aufgabe A und eines Performance-Maßes P, wenn seine Leistung bei A, gemessen durch P, sich mit der Erfahrung E verbessert.
Übersicht
Supervised Learning
- Datensatz mit bekannten Ergebnissen existiert
- Regression/Klassifikation
Beispiel: Regression - Position/Zeit
$$s = s_0 + v \cdot t$$
Vorhersage der Position basierend auf Anfangsposition \(s_0\), Geschwindigkeit \(v\) und Zeit \(t\).
Beispiel: Klassifikation - E-Mail Spam Filter
Eingabe-Features:
- Anzahl bestimmter Wörter ("Gewinn", "kostenlos", "dringend")
- Anzahl Großbuchstaben
- Anzahl Ausrufezeichen
- Absender-Domain bekannt/unbekannt
Ausgabe: Spam (🚫) oder Kein Spam (✓)
Das Modell lernt aus tausenden gelabelten E-Mails die Muster von Spam.
Beispiel: Lineare Regression
Siehe Beispiel "Anscombe's Quartet" in Jupyter Notebook lineare_regression.ipynb
Supervised Learning
Daten haben beschreibende Eigenschaften und Labels sind bekannt.
Regression:
- Vorhersage kontinuierlicher Werte
- Beispiele: Hauspreise, Temperatur, Aktienkurse
Klassifikation:
- Zuordnung zu diskreten Kategorien
- Beispiele: Spam-Erkennung, Bilderkennung, Sentiment-Analyse
Unsupervised Learning
- Datensatz hat beschreibende Eigenschaften, aber keine Labels
- Aufgaben: Finde Gruppen, finde Anomalien