Überwachtes maschinelles Lernen
Was ist überwachtes maschinelles Lernen?
Überwachtes maschinelles Lernen ist eine Form der künstlichen Intelligenz, bei der das Modell mit markierten Daten trainiert wird. Dabei wird der Algorithmus mit Eingabe-Ausgabe-Paaren gefüttert, so dass er die Zuordnung zwischen Eingaben und den entsprechenden Ausgaben lernen kann.
- Wie funktioniert überwachtes maschinelles Lernen?
- Der Prozess des überwachten Lernens
- Arten des überwachten maschinellen Lernens
- Eine Partnerschaft mit HPE eingehen
Wie funktioniert überwachtes maschinelles Lernen?
Beim Training mit überwachtem maschinellem Lernen passt der Algorithmus seine Parameter an, um den Unterschied zwischen den erwarteten und den tatsächlichen Ergebnissen zu verringern. Sobald das Modell trainiert ist, kann es durch die Verallgemeinerung von Mustern aus den Trainingsdaten Vorhersagen für zuvor unbekannte Daten treffen. Zu den üblichen Problemen des überwachten Lernens gehören die Klassifizierung, bei der eine kategoriale Bezeichnung vorhergesagt wird, und die Regression, bei der ein kontinuierlicher Wert vorhergesagt wird.
Der Prozess des überwachten Lernens
Beim überwachten Lernen, einem wesentlichen Paradigma des maschinellen Lernens, lernen Algorithmen aus markierten Daten, um Vorhersagen oder Entscheidungen zu treffen. Dieser Prozess umfasst wichtige Schlüsselphasen, beginnend mit der Datenerfassung und -vorverarbeitung, gefolgt von Modelltraining, Testen und Implementierung. Jeder Schritt spielt eine entscheidende Rolle bei der Entwicklung und dem Einsatz effektiver Modelle für verschiedene reale Anwendungen.
- Datenerfassung und -verarbeitung: Viele unformatierte Daten müssen bereinigt und modifiziert werden, damit das ML-Modell die Daten effizient verarbeiten kann. Normalerweise schaut sich ein Data Analyst oder Data Scientist die Daten an, um festzustellen, was fehlt, und zu sehen, ob die Daten mehr Kontext benötigen oder ob weitere Daten hinzugefügt werden müssen, um das ML-Modell zu ergänzen.
- Trainingsprozess: Der Datensatz wird in den Algorithmus für maschinelles Lernen eingespeist, der dann lernt, Muster, Korrelationen mit anderen Datenregionen und Beziehungen zwischen den Eingangsmerkmalen und den Ausgangsbezeichnungen zu erkennen. Der Algorithmus passt seine internen Parameter an, um die beste mathematische Funktion zu finden, die die Eingabemerkmale den Ausgabemarken zuordnet. Ein Data Scientist würde die erste Iteration überprüfen und den Prozess so lange anpassen, bis er für die Modelltests bereit ist.
- Testen des Modells: Nachdem der Algorithmus für maschinelles Lernen kalibriert ist, beginnt er mit dem Testen neuer oder unbekannter Daten, um zu sehen, ob er zu einer ähnlichen oder konsistenten Antwort wie in der Trainingsphase kommt. Wenn das Ergebnis nicht den Erwartungen entspricht, passt der/die Data Scientist den Algorithmus an, bis er oder sie eine konsistente Antwort erhält oder den Prozess neu beginnen muss.
Modell-Ausführung: Nach Erhalt konsistenter Ergebnisse wird das Modell dann auf neue Daten angewandt und zur Vorhersage neuer Ergebnisse, zur Budget- oder Umsatzprognose oder zur Beobachtung des nächsten Trends verwendet.
Arten des überwachten maschinellen Lernens
Klassifizierung: Die Klassifizierung ist eine Form des überwachten Lernens, bei der der Algorithmus die Daten auf der Grundlage der eingegebenen Merkmale in vordefinierte Klassen oder Kategorien einteilt. Er lernt aus gekennzeichneten Trainingsdaten und sagt dann die Klassenbezeichnungen für neue, ungesehene Datenpunkte voraus.
Branchen:
- Gesundheitswesen: Klassifizierung medizinischer Bilder für die Krankheitsdiagnose.
- Finanzen: Kategorisierung von Transaktionen zur Aufdeckung von Betrug.
- E-Commerce: Gruppierung von Kunden für gezieltes Marketing.
Regression: Die Regression ist eine überwachte Lerntechnik, die zur Vorhersage kontinuierlicher numerischer Werte auf der Grundlage der Beziehung zwischen Eingangsmerkmalen und Ausgangsvariablen verwendet wird. Sie lernt aus markierten Trainingsdaten, diese Beziehung einzuschätzen und Vorhersagen für neue Daten zu treffen.
Branchen:
- Immobilien: Vorhersage von Hauspreisen anhand von Immobilienmerkmalen.
- Gesundheitswesen: Vorhersage der Genesungszeiten von Patienten basierend auf ihrer Behandlung.
- Energie: Schätzung des Stromverbrauchs für die Ressourcenplanung.
Eine Partnerschaft mit HPE eingehen
HPE Partnerschaften können bei der Skalierung von KI und maschinellen Lernmodellen helfen. Hier sind einige der Produkte, die die Einführung von KI in Ihrem Unternehmen beschleunigen können:
- HPE Machine Learning Development Environment: Sie bietet alles, was zum Entwerfen, Trainieren und Bereitstellen von Modellen für maschinelles Lernen erforderlich ist. Sie enthält für maschinelles Lernen optimierte IDEs, Bibliotheken und Frameworks.
- HPE Machine Learning Data Management Software: Dieses Tool organisiert die Daten des maschinellen Lernens. Es rationalisiert den Datenimport, die Vorverarbeitung, die Kennzeichnung und die Versionierung, um die Daten zu kuratieren und für das Modelltraining und -testen leicht zugänglich zu machen.
- KI-, ML- und Datenanalyse-Produkte: HPE Lösungen sind für KI, maschinelles Lernen und Datenanalyse konzipiert. Dies kann Hardware-Beschleuniger, spezialisierte Server, Storage Lösungen und KI-spezifische Software-Plattformen umfassen.
HPE Partner können Ihr Unternehmen dabei unterstützen, KI und maschinelles Lernen für bessere Entscheidungen, Automatisierung und Innovation zu nutzen. HPE kann Sie dabei unterstützen, die Entwicklung und Bereitstellung von KI-Anwendungen zu beschleunigen und so die industrielle Effizienz und Wettbewerbsfähigkeit zu verbessern.
Überwacht und unüberwacht
| Aspekt | Überwachtes Lernen | Nicht überwachtes Lernen |
|---|---|---|
| Definition | Überwachtes Lernen ist eine Art des maschinellen Lernens, bei dem der Algorithmus aus gekennzeichneten Daten lernt, die sowohl Eingabedaten als auch entsprechende Ausgabekennzeichnungen enthalten. Ziel ist es, neue Daten auf der Grundlage der aus den markierten Beispielen gelernten Muster vorherzusagen oder zu klassifizieren. | Unüberwachtes Lernen ist eine Art des maschinellen Lernens, bei dem der Algorithmus aus unmarkierten Daten lernt. Es untersucht die Struktur und die Muster innerhalb der Daten ohne ausdrückliche Anleitung oder Rückmeldung und zielt darauf ab, verborgene Einblicke oder Gruppierungen aufzudecken. |
| Trainingsdaten | Erfordert gekennzeichnete Daten (Input-Output-Paare). | Erfordert keine gekennzeichneten Daten. |
| Ziel | Prognostiziert oder klassifiziert auf der Grundlage gekennzeichneter Daten. | Findet versteckte Muster oder Strukturen in Daten. |
| Feedback | Erhält während des Trainings ein Feedback. | Erhält während des Trainings kein Feedback. |
| Ausgabe | Der Output ist bekannt und vordefiniert. | Der Output ist nicht bekannt oder vordefiniert. |
| Beispielanwendungen | Spam-Erkennung, Bilderkennung, Stimmungsanalyse. | Clustering, Erkennung von Anomalien, Dimensionalitätsreduktion. |
