Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- bigdata:machinelearning [2015/10/03 19:21] – [Lernmethoden] brueck
+++ bigdata:machinelearning [2015/10/05 20:34] – [Lernmethoden] brueck
@@ Zeile 1: / Zeile 1: @@
 ====== Maschinelles Lernen ======
-**Maschinelles Lernen** (auch **Machine Learning**) bezeichnet Methoden und Algorithmen, um Programmen beizubringen, anhand von Eingabedaten Muster interpretieren, erkennen und Vorhersagen treffen zu können. Dabei soll sich die Leistung des System mit gewonnener Erfahrung verbessern (vgl. [[bigdata:literatur|Mitchell 1997: S. 2]]). Ein Programm wird nicht für die Lösung eines Problems programmiert, sondern soll selbstständig lernen, es anhand Daten zu lösen, die ihm vorliegen.
+**Maschinelles Lernen** (auch **Machine Learning**) bezeichnet Methoden und Algorithmen, um Programmen beizubringen, anhand von Eingabedaten Muster interpretieren, erkennen und Vorhersagen treffen zu können. Dabei soll sich die Leistung des System mit gewonnener Erfahrung verbessern (vgl. [[bigdata:literatur#m|Mitchell 1997: S. 2]]). Ein Programm wird nicht für die Lösung eines Problems programmiert, sondern soll selbstständig lernen, es anhand Daten zu lösen, die ihm vorliegen.
 Beispiele dafür sind die Spracherkennung, Übersetzungsprogramme, Handschrifterkennung oder das auch Personalisieren von Werbung.
@@ Zeile 9: / Zeile 9: @@
 ===== Lernmethoden =====
-  * **Überwachtes Lernen (supervised learning)**: Beim überwachten Lernen bekommt ein Algorithmus viele verschiedene Daten vorgeführt, zu denen es auch Informationen erhält. Neben den Inputdaten stehen also bereits die erwarteten Outputdaten zur Verfügung. Dabei gilt es auch zu beachten, dass dafür möglichst viele unterschiedliche Beispiele verwendet werden, damit das Programm nicht gänzlich überfordert ist, wenn es auf eine Situation stößt, die es zuvor so noch nicht gelernt hat (vgl. [[bigdata:literatur|Mitchell 1997: S. 6]]). Ziel ist es letztlich, den Algorithmus auf diese Weise Muster erkennen zu lassen, damit später auch Daten ohne Lösung richtig interpretiert werden können.
+  * **Überwachtes Lernen (supervised learning)**: Beim überwachten Lernen bekommt ein Algorithmus viele verschiedene Daten vorgeführt, zu denen es auch Informationen erhält. Neben den Inputdaten stehen also bereits die erwarteten Outputdaten zur Verfügung. Dabei gilt es auch zu beachten, dass dafür möglichst viele unterschiedliche Beispiele verwendet werden, damit das Programm nicht gänzlich überfordert ist, wenn es auf eine Situation stößt, die es zuvor so noch nicht gelernt hat (vgl. [[bigdata:literatur#m|Mitchell 1997: S. 6]]). Ziel ist es letztlich, den Algorithmus auf diese Weise Muster erkennen zu lassen, damit später auch Daten ohne Lösung richtig interpretiert werden können.
-  * **Unüberwachtes Lernen (unsupervised learning)**: Beim unüberwachten Lernen soll der Algorithmus eigenständig nach Mustern in Daten suchen. Weder Infos zu den Inputdaten, noch erwartete Outputdaten sind bekannt. Dabei können Verfahren wie das Clustering zum Einsatz kommen, um so Muster oder Eigenschaften erkennen zu können nach denen die Daten gruppiert werden können. ([[bigdata:literatur|Barnes 2015: S. 33]])
+  * **Unüberwachtes Lernen (unsupervised learning)**: Beim unüberwachten Lernen soll der Algorithmus eigenständig nach Mustern in Daten suchen. Weder Infos zu den Inputdaten, noch erwartete Outputdaten sind bekannt. Dabei können Verfahren wie das Clustering zum Einsatz kommen, um so Muster oder Eigenschaften erkennen zu können nach denen die Daten gruppiert werden können. ([[bigdata:literatur#b|Barnes 2015: S. 33]])