13.2 Überwachtes, unüberwachtes und verstärkendes Lernen

Nachdem im letzten Kapitel erklärt wurde, was machinelles Lernen überhaupt ist, betrachten wir in diesem Kapitel die drei großen Kategorien von ML-Modellen: überwachtes Lernen (Supervised Learning), unüberwachtes Lernen (Unsupervised Learning) und verstärkendes Lernen (Reinforcement Learning).

Lernziele

Lernziele

• Sie können anhand eines Beispiels erklären, was die Fachbegriffe

  • überwachtes Lernen (Supervised Learning),

  • unüberwachtes Lernen (Unsupervised Learning) und

  • verstärkendes Lernen (Reinforcement Learning) bedeuten.

• Sie können beim überwachten Lernen zwischen Regression und Klassifikation unterscheiden.

Überwachtes Lernen (Supervised Learning)

Im letzten Kapitel haben wir im Video »So lernen Maschinen: Algorithmen« die Aufgabenstellung kennengelernt, auf Fotos Hunde von Katzen zu unterscheiden. Diese Art von Problemstellung ist typisch für überwachtes Lernen. Die Daten werden vorab gekennzeichnet, sie erhalten ein Label. So lernen auch Kinder. Stellen Sie sich vor, in einem Korb liegen Äpfel und Bananen und ein Kind soll den Unterschied erlernen. Jedes Stück Obst wird aus dem Korb genommen und dem Kind gezeigt. Dazu sagen wir dann entweder »Apfel« oder »Banane«. Das Kind hat also einen Lehrer oder Trainer. Mit der Zeit wird das Kind zwischen beiden Obstsorten unterscheiden können.

Was ist … überwachtes Lernen?

Überwachtes Lernen ist eine Kategorie des maschinellen Lernens. Beim überwachten Lernen liegen die Daten als Eingabe- und Ausgabedaten mit Labels vor. Ein maschineller Lernalgorithmus versucht ein Modell zu finden, das bestmöglich den Eingabedaten die Ausgabedaten zuordnet.

Beim überwachten Lernen können die Prognosen des Modells für bekannte Daten mit den korrekten Ergebnissen (Labels) verglichen werden. Das Modell wird also überwacht.

Prinzipiell werden dabei wiederum zwei Arten von Labels unterschieden:

• kontinuierliche Labels und

• diskrete Labels.

Bei dem Beispiel mit den Hunde- und Katzenfotos sind die Labels diskret. Mit diskreten Labels ist gemeint, dass nur wenige verschiedene Labels existieren. In diesem Fall sind es genau zwei verschiedene Labels, nämlich zum einen das Label »Hund« und zum anderen das Label »Katze«. Ein anderes Beispiel für diskrete Labels sind die Schulnoten sehr gut, gut, befriedigend, ausreichend, mangelhaft und ungenügend. Es gibt nur sechs verschiedene Noten, die eine Schülerin oder ein Schüler in einem Test erreichen kann. Dabei müssen die diskreten Labels keine Texte sein. Die Schulnoten könnten wir auch mit den Labels 1, 2, 3, 4, 5 und 6 kennzeichnen.

Bei den kontinuierlichen Labels gibt es sehr viele, normalerweise unendliche viele verschiedene Labels. Textbezeichnungen sind dann nicht mehr sinnvoll, so dass kontinuierliche Labels durch Zahlen repräsentiert werden. Ein Beispiel für kontinuierliche Ausgabedaten ist der Verkaufspreis eines Autos abhängig vom Kilometerstand. Normalerweise kosten Neuwagen mit einem Kilometerstand von 0 km am meisten und der Preis sinkt, je mehr Kilometer das Auto bereits gefahren wurde. Die Verkaufspreise könnte man nun als ganze Zahlen darstellen, wenn man sie in ganzen Euros angibt, oder als Fließkommazahl, wenn der Preis auf den Cent genau angegeben wird. Es gibt nicht unendlich viele Verkaufspreise, aber sehr viele verschiedene mögliche Werte.

Viele ML-Modelle funktionieren sowohl für diskrete als auch kontinuierliche Daten, aber nicht alle. Daher ist es notwendig, bereits zu Beginn zu entscheiden, ob das Modell für diskrete oder kontinuierliche Ausgabedaten eingesetzt werden soll.

Das überwachte Lernen wird daher wiederum in zwei Arten unterteilt:

• Regression für kontinuierliche Ausgabedaten und

• Klassifikation für diskrete Ausgabedaten.

Auf beide Problemstellungen gehen die nächsten Videos ein.

Video zu “ML Tutorial - #3 Supervised Learning” von CodingWithMagga

Regression

Was ist … Regression?

Regression ist das Teilgebiet des überwachten maschinellen Lernens, bei dem Modelle den Zusammenhang zwischen Eingabedaten und kontinuierlichen Ausgabedaten prognostizieren sollen.

Video zu “Überwachtes Lernen – Regression” von Plattform Lernende Systeme

Klassifikation

Was ist … Klassifikation?

Klassifikation ist das Teilgebiet des überwachten maschinellen Lernens, bei dem Modelle den Zusammenhang zwischen Eingabedaten und diskreten Ausgabedaten prognostizieren sollen.

Video zu “Überwachtes Lernen – Klassifikation” von Plattform Lernende Systeme

Unüberwachtes Lernen (Unsupervised Learning)

Beim überwachten Lernen liegen Eingabedaten und Ausgabedaten mit Labels vor. Die Prognosen eines Modells können für bekannte Paare von Eingabe- und Ausgabedaten überwacht werden. Das ist beim unüberwachten Lernen nicht der Fall. Beim unüberwachten Lernen (Unsupervised Learning) gibt es keine Ausgabedaten, also keine Labels. Stattdessen soll der maschinelle Lernalgorithmus eigenständig Muster erlernen und Strukturen in den Daten finden.

Was ist … unüberwachtes Lernen (Unsupervised Learning)?

Unüberwachtes Lernen ist ein Teilgebiet des maschinellen Lernens, bei dem ein Algorithmus versucht, Muster und Strukturen in Daten zu finden. Dabei sind die Daten nicht vorab in Eingabe- und Ausgabedaten aufgeteilt bzw. mit Labels gekennzeichnet.

Ein Kind könnte auch selbstständig einen Obstkorb erkunden. Vielleicht würde das Kind mit der Zeit lernen, dass es Obst gibt, das ihm schmeckt, wohingegen anderes Obst dem Kind nicht schmeckt. Vielleicht würde das Kind das Obst auch in großes Obst und kleines Obst unterteilen oder nach Farbe sortieren. Das Kind gruppiert also Obst nach selbst gewählten Eigenschaften. Es bildet Cluster, dementsprechend heißt dieser Vorgang Clustering.

Video zu “Unüberwachtes Lernen: Clustering” von Plattform Lernende Systeme

Video zu “ML Tutorial - #4 Unsupervised Learning” von CodingWithMagga

Verstärkendes Lernen (Reinforcement Learning)

Wir schließen unsere Übersicht der maschinellen Lernverfahren mit dem verstärkendem Lernen ab.

Was ist … verstärkendes Lernen (Reinforcement Learning)?

Verstärkendes Lernen (Reinforcement Learning) ist eine Art des maschinellen Lernens, bei dem ein ML-Algorithmus durch versuch und Irrtum erlernt, was das optimale Verhalten ist, um ein bestimmtes Ziel zu erreichen. Es werden Aktionen ausgeführt und entweder bestraft oder belohnt, je nachdem, ob durch diese Aktionen das Ziel besser oder schlechter erreicht wird.

Ein Beispiel aus dem Alltag für verstärkendes Lernen ist das Training eines Haustieres, eines Hundes beispielsweise. Folgt der Hund dem Befehl »Sitz!«, so erhält er ein Leckerli. Mit der Zeit wird der Hund auf das Kommando »Sitz!« reagieren und sich setzen, auch wenn es nicht immer eine Belohnung dafür gibt.

Ein bekanntes Beispiel aus dem Bereich Künstliche Intelligenz für verstärkendes Lernen sind Schachsysteme. Anfangs kennt das Schachsystem nur die grundlegenden Schachregeln, aber keinerlei Strategie. Durch das Spielen vieler Spiele, wobei der Computer bei jedem Sieg eine “Belohnung” erhält und bei jeder Niederlage eine “Strafe”, lernt das Schachsystem allmählich, welche Züge gewinnbringend sind und welche eher zu Niederlagen führen. Nach Tausenden oder sogar Millionen von Spielen kann das Schachsystem dann auf einem sehr hohen Niveau spielen - alles durch verstärkendes Lernen.

Video zu “Verstärkendes Lernen” von Plattform Lernende Systeme

Vide zu “ML Tutorial - #5 Reinforcement Learning” von CodingWithMagga

Zusammenfassung und Ausblick

In diesem Abschnitt haben Sie die drei wichtigsten Kategorien des maschinellen Lernens kennengelernt: überwachtes Lernen, unüberwachtes Lernen und verstärkendes Lernen. Für die Ingenieurwissenschaften ist vor allem das überwachte Lernen von Bedeutung. Dabei unterscheiden wir zwischen überwachtem Lernen für diskrete Ausgabedaten (= Klassen, Kategorien), das wir Klassifikation nennen, und überwachtem Lernen für kontinuierliche Ausgabedaten, das wir Regression nennen.