Heute Morgen hat Machine Learning vermutlich schon dreimal f\u00fcr Dich gearbeitet, bevor Du das erste Mail ge\u00f6ffnet hast. Es hat die Route zur Arbeit berechnet, den Spam aus dem Posteingang gehalten und Dir ein Video vorgeschlagen. Trotzdem bleibt f\u00fcr die meisten Menschen unklar, was im Hintergrund passiert. Dieser Artikel erkl\u00e4rt, wie maschinelles Lernen funktioniert, ohne Formeln: von den Rohdaten \u00fcber das Training bis zur fertigen Vorhersage. Und er zeigt Dir am Ende, was Du wirklich brauchst, um selbst einzusteigen.<\/p>\n\n\n\n
Machine Learning ist ein Verfahren, bei dem ein Computer aus Beispielen lernt, statt festen Regeln zu folgen. Man zeigt ihm gro\u00dfe Mengen historischer Daten, er erkennt darin selbstst\u00e4ndig Muster und wendet diese Muster auf neue, unbekannte F\u00e4lle an. Das Ergebnis ist keine feste Antwort, sondern eine Wahrscheinlichkeit. Der Mensch programmiert nicht die L\u00f6sung, er liefert die Daten.<\/p>\n\n\n\n
Um zu verstehen, was daran besonders ist, hilft ein Blick auf die klassische Software. Ein normales Programm folgt Regeln, die ein Mensch vorher aufgeschrieben hat: Wenn Fall A eintritt, tue B. Das funktioniert gut, solange sich alle F\u00e4lle vorher benennen lassen.<\/p>\n\n\n\n
Bei vielen Aufgaben geht das aber nicht. Niemand kann in festen Regeln beschreiben, woran man eine Katze auf einem Foto erkennt oder wann eine E-Mail Spam ist. Es gibt zu viele Ausnahmen. Genau hier dreht Machine Learning die Logik um. Statt dem Computer die Regeln zu geben, gibt man ihm die Beispiele und die richtigen Antworten und l\u00e4sst ihn die Regeln selbst finden.<\/p>\n\n\n\n
Ein Beispiel: Um einen Spam-Filter klassisch zu bauen, m\u00fcsstest Du jede verd\u00e4chtige Formulierung von Hand eintragen. Mit Machine Learning zeigst Du dem System stattdessen zehntausende Mails, die bereits als \u201eSpam“ oder \u201ekein Spam“ markiert sind. Das Modell leitet daraus selbst ab, welche Merkmale typisch f\u00fcr Spam sind, auch solche, an die kein Mensch gedacht h\u00e4tte.<\/p>\n\n\n\n
Ein Machine-Learning-Modell entsteht nicht in einem Schritt, sondern in einem Kreislauf. In der Praxis strukturieren Datenteams ihn in f\u00fcnf Phasen.<\/p>\n\n\n\n
Daten sammeln.<\/strong> Am Anfang steht die Frage, die beantwortet werden soll, und die Daten, die das erlauben. Das k\u00f6nnen Verkaufszahlen aus dem eigenen System sein, Sensordaten einer Maschine oder \u00f6ffentlich verf\u00fcgbare Datens\u00e4tze. Ohne eine ausreichend gro\u00dfe, repr\u00e4sentative Datenbasis funktioniert der Rest nicht.<\/p>\n\n\n\n Daten aufbereiten.<\/strong> Rohdaten sind fast immer unvollst\u00e4ndig, fehlerhaft oder doppelt. Sie m\u00fcssen bereinigt und in eine einheitliche Form gebracht werden. Danach folgt der Schritt, der klassisches Machine Learning am meisten Arbeit kostet: das sogenannte Feature Engineering<\/a>, bei dem Fachleute aus den Daten die Merkmale herausarbeiten, an denen das Modell die Muster erkennen kann. Diese Vorbereitung bindet in Datenprojekten traditionell den gr\u00f6\u00dften Teil der Zeit.<\/p>\n\n\n\n Modell trainieren.<\/strong> Jetzt bekommt der Algorithmus die aufbereiteten Daten. Er sucht darin nach Zusammenh\u00e4ngen und stellt dabei laufend seine internen Werte nach, um seine Fehler kleiner zu machen. Das wiederholt sich viele Male, bis die Vorhersagen zuverl\u00e4ssig genug sind.<\/p>\n\n\n\n Modell pr\u00fcfen.<\/strong> Danach kommt der ehrliche Moment. Das Modell wird mit Daten getestet, die es im Training nie gesehen hat. So zeigt sich, ob es wirklich gelernt hat oder nur auswendig kann. Der h\u00e4ufigste Fehler hei\u00dft Overfitting: Das Modell hat die Trainingsdaten samt ihrer Zuf\u00e4lle \u201eauswendig gelernt“ und versagt, sobald die echten Daten leicht abweichen.<\/p>\n\n\n\n Einsetzen und beobachten.<\/strong> Besteht das Modell den Test, geht es in den Betrieb und trifft Entscheidungen \u00fcber neue Daten. Fertig ist es damit nie. Die Welt ver\u00e4ndert sich, und mit ihr die Daten. Deshalb muss ein Modell \u00fcberwacht und regelm\u00e4\u00dfig mit frischen Daten neu trainiert werden, sonst wird es mit der Zeit schlechter.<\/p>\n\n\n\n \u201eMachine Learning“ ist ein Sammelbegriff f\u00fcr mehrere Ans\u00e4tze. Welcher passt, h\u00e4ngt davon ab, welche Daten vorliegen und was das Ziel ist.<\/p>\n\n\n\n \u00dcberwachtes Lernen<\/strong> ist der h\u00e4ufigste Fall in der Praxis. Das Modell lernt aus Beispielen, bei denen die richtige Antwort bereits bekannt ist, etwa aus Mails mit dem Etikett \u201eSpam“ oder \u201ekein Spam“. Ist die Antwort eine Kategorie, spricht man von Klassifikation. Ist sie eine Zahl, etwa der erwartete Umsatz im n\u00e4chsten Monat, von Regression.<\/p>\n\n\n\n Un\u00fcberwachtes Lernen<\/strong> arbeitet mit Daten ohne vorgegebene Antworten. Die Aufgabe des Modells ist es, selbst Struktur zu finden, zum Beispiel Kundengruppen mit \u00e4hnlichem Verhalten. Weil es kein festes Ziel gibt, m\u00fcssen Fachleute die Ergebnisse hinterher einordnen.<\/p>\n\n\n\n Best\u00e4rkendes Lernen<\/strong> lernt nicht aus einem festen Datensatz, sondern durch Ausprobieren. Ein System bekommt f\u00fcr gute Entscheidungen eine Belohnung und f\u00fcr schlechte einen Abzug und entwickelt \u00fcber viele Durchl\u00e4ufe eine eigene Strategie. Dieser Ansatz steckt hinter vielen Durchbr\u00fcchen in der Robotik.<\/p>\n\n\n\n Deep Learning<\/strong> ist ein Spezialfall, der mit k\u00fcnstlichen neuronalen Netzen<\/a> arbeitet und den Bau des Menschen lose nachahmt. Sein Vorteil: Es kann unstrukturierte Daten wie Bilder, Sprache oder Ton direkt verarbeiten und sucht sich die relevanten Merkmale selbst. Der Preis daf\u00fcr sind sehr gro\u00dfe Datenmengen und viel Rechenleistung.<\/p>\n\n\n\n Wie sich Deep Learning von Machine Learning und k\u00fcnstlicher Intelligenz abgrenzt<\/a>, ist eine eigene Frage.<\/p>\n\n\n\nDie vier Arten des maschinellen Lernens<\/h2>\n\n\n\n