In der Informatik bezieht sich maschinelles Lernen auf eine Art Datenanalyse, bei der Algorithmen verwendet werden, die aus Daten lernen. Es ist eine Art künstliche Intelligenz (KI), die Systemen die Fähigkeit bietet, zu lernen, ohne explizit programmiert zu werden. Dies ermöglicht es Computern, Daten innerhalb von Daten ohne menschliches Eingreifen zu finden.
Was über maschinelles Lernen wichtig ist, ist, dass Daten verwendet werden, um Vorhersagen zu treffen, nicht um Code. Daten sind dynamisch, sodass das System durch maschinelles Lernen lernen und sich mit der Erfahrung und den mehr analysierten Daten weiterentwickeln kann.
Ursprünge der Phrase Maschinelles Lernen
Maschinelles Lernen wurde erstmals 1959 von Arthur Samuel definiert, einem Pionier auf dem Gebiet der künstlichen Intelligenz und des maschinellen Lernens. Samuel definierte maschinelles Lernen als „Studienbereich, in dem Computer lernen können, ohne explizit programmiert zu werden“.
Überwachtes versus unbeaufsichtigtes maschinelles Lernen
In der Regel wird maschinelles Lernen als überwachtes oder unbeaufsichtigtes maschinelles Lernen eingestuft:
Überwachtes maschinelles Lernen: Eine vordefinierte Reihe von Beispielen wird verwendet, um zu einer Schlussfolgerung aus bestimmten Daten zu gelangen.
Unüberwachtes maschinelles Lernen: Das System findet Muster und Beziehungen in den Daten ohne Beispiele, aus denen Schlussfolgerungen gezogen werden können.
Beispiele für maschinelles Lernen
Heutzutage können Algorithmen für maschinelles Lernen sehr schnell komplexe Berechnungen auf Big Data anwenden. Eines der bekanntesten Beispiele für maschinelles Lernen ist heute das selbstfahrende Auto von Google. Dieses fahrerlose Auto ist stark auf maschinelles Lernen und Data Mining angewiesen, um alle Sensordaten zu verarbeiten.
Maschinelles Lernen wird auch in Web-Suchmaschinen, Empfehlungssystemen, Online-Anzeigenplatzierung, E-Mail-Spam-Filtern und vielen anderen Anwendungen verwendet.
Machine lVerdienen kann als abgekürzt werden ML.