Maschinen-Makler
Grundlagen des maschinellen Lernens
Machine Learning bedeutet nicht zwangsläufig, aufwendige neuronale Netze knüpfen und trainieren zu müssen. Um die Prinzipien zu verstehen, ist ein einfaches Beispiel mit linearer Regression viel anschaulicher. Sie brauchen dafür nur ein bisschen Python und die frei erhältliche Bibliothek Scikit-Learn.
Maschinelles Lernen ist eine tolle und nützliche Sache: Es löst Aufgaben, die man mit klassischem Programmieren nur schwer oder gar nicht bewältigen kann. Ein ML-Programm mit vielen Daten gefüttert, „Modell“ genannt, bedarf jedoch viel Liebe und Aufmerksamkeit, damit es irgendwann (hoffentlich) treffende Ausgaben ausspucken kann.
Es reicht leider nicht aus, Unmengen an Daten in ein Modell hineinzustopfen, in der Hoffnung, bessere Vorhersagen zu erhalten. Man muss Daten vorbereiten, eventuell bereinigen und dann dem richtigen Modell für den geforderten Anwendungszweck übergeben. Je nach Modell – denn es gibt sehr viele davon – kann das Trainieren mit den Daten mitunter sehr rechenaufwendig ausfallen (siehe Seite 36).