/ en / Traditional / mobile

Beats Biblionetz - Begriffe

machine learning

iconBiblioMap Dies ist der Versuch, gewisse Zusammenhänge im Biblionetz graphisch darzustellen. Könnte noch besser werden, aber immerhin ein Anfang!

Diese Grafik fensterfüllend anzeigen als Pixelgrafik (PNG) Vektorgrafik (SVG)

iconSynonyme

machine learning, Maschinelles Lernen

iconDefinitionen

Maschinelles Lernen bezeichnet unterschiedliche Ansätze zur automatisierten Verarbeitung von Daten. Maschinell lernende Programme werden daraufhin trainiert, Muster und Gesetzmässigkeiten in Datenmengen zu erkennen und diese Zusammenhänge zur Verarbeitung von weiteren, gleichartigen Daten zu nutzen.
Von Erich Herzog, Roger Wehrli, Marcus Hassler, Simon Schärer, Stephan Sigrist im Buch Zukunft digitale Schweiz (2017)
»Machine Learning« verfolgt den Ansatz, etwas der Intelligenz Vergleichbares durch die Sammlung und Analyse von großen Informationsmengen zu erzeugen und die Fehler durch Einbeziehung der Reaktionen des Menschen auf die Ergebnisse fortwährend zu reduzieren. Man kann es sich als automatisches Erfahrungslernen vorstellen, gespeist aus Zusammenhängen und Gemeinsamkeiten von Informationen. Zunächst ging es um die Auswertung von Texten. Gefüttert werden diese Algorithmen heute aber mit den nunmehr reichlich vorhandenen Datenschätzen, die wir in unserem digitalisierten Leben erzeugen. Egal ob Einkäufe, Blog-Postings, Bewegungsdaten, Kreditaufnahme oder Arbeitstätigkeit – praktisch alles hinterlässt digitale Spuren, die von derzeit meist noch separaten Systemen gespeichert und analysiert werden können. Es werden neue Erkenntnisse gewonnen und Informationen eingeordnet, die zuvor entweder zuviel Rechenleistung erforderten oder für die es bisher schlicht keine ausreichende Datenbasis gab.
Von Constanze Kurz, Frank Rieger im Buch Die Datenfresser (2011)

iconBemerkungen

Learning algorithms are the seeds, data is the soil, and the learned programs are the grown plants.
Von Pedro Domingos im Buch The Master Algorithm (2015) im Text The Machine-Learning Revolution
Whoever has the best algorithms and the most data wins. A new type of network effect takes hold: whoever has the most customers accumulates the most data, learns the best models, wins the most new customers, and so on in a virtuous circle (or a vicious one, if you’re the competition).
Von Pedro Domingos im Buch The Master Algorithm (2015) im Text The Machine-Learning Revolution
Machine learning, at its core, is concerned with the algorithms that transform information into actionable intelligence. This fact makes machine learning well-suited to the present-day era of big data. Without machine learning, it would be nearly impossible to keep up with the massive stream of information.
Von Brett Lantz im Buch Machine Learning with R (2013)
The Industrial Revolution automated manual work and the Information Revolution did the same for mental work, but machine learning automates automation itself. Without it, programmers become the bottleneck holding up progress. With it, the pace of progress picks up. If you’re a lazy and not-too-bright computer scientist, machine learning is the ideal occupation, because learning algorithms do all the work but let you take all the credit.
Von Pedro Domingos im Buch The Master Algorithm (2015) im Text The Machine-Learning Revolution
Machine learning takes many different forms and goes by many different names: pattern recognition, statistical modeling, data mining, knowledge discovery, predictive analytics, data science, adaptive systems, self-organizing systems, and more. Each of these is used by different communities and has different associations. Some have a long half-life, some less so. In this book I use the term machine learning to refer broadly to all of them.
Von Pedro Domingos im Buch The Master Algorithm (2015) im Text The Machine-Learning Revolution
Jeannette M. WingWe have witnessed the influence of computational thinking on other disciplines. For example, machine learning has transformed statistics. Statistical learning is being used for problems on a scale, in terms of both data size and dimension, unimaginable only a few years ago. Statistics departments in all kinds of organizations are hiring computer scientists. Schools of computer science are embracing existing or starting up new statistics departments.
Von Jeannette M. Wing im Text Computational Thinking (2006)
Although machine learning is used widely and has tremendous potential, it is important to understand its limits. Machine learning, at this time, is not in any way a substitute for a human brain. It has very little flexibility to extrapolate outside of the strict parameters it learned and knows no common sense. With this in mind, one should be extremely careful to recognize exactly what the algorithm has learned before setting it loose in the real-world settings.
Von Brett Lantz im Buch Machine Learning with R (2013)
Der Fortschritt von Computerleistung und Speicherkapazität bedeutet, daß immer komplexere Rechenregeln auf immer größere Mengen Daten angewandt werden können. Das Geheimnis des Erfolges der algorithmischen Orakel ist also das Zusammentreffen von drastisch verbilligtem Speicherplatz und Computerkapazitäten mit der Verfügbarkeit von immer mehr digital erfaßten Lebensäußerungen. Seit kurzem erst funktionieren die von den Anhängern des »machine learning« entwickelten Methoden in der Praxis. Jahrzehntelang fristete dieser oft belächelte Teil der Forschung an »Künstlicher Intelligenz« ein Schattendasein innerhalb der Informatik.
Von Constanze Kurz, Frank Rieger im Buch Die Datenfresser (2011)
Das Interessante an dieser Art der Optimierung der Abläufe und Entscheidungen ist, daß jene Algorithmen, die verschiedenen Subspezies der sogenannten künstlichen Intelligenz wie Machine Learning und Support Vector Machines entstammen, nicht versuchen, eine perfekte Vorhersage auf der Basis einzelner kausaler Zusammenhänge zu treffen. Sie suchen vielmehr nach Korrelationen zwischen den verschiedenen Trends und Datenbasen, die sie auf die derzeitige Lage anwenden, um daraus verschieden wahrscheinliche Zukunftsszenarien abzuleiten. Es geht dabei nicht mehr um präzises Wissen, um exakte Wissenschaft, sondern darum, häufig genug richtigzuliegen.
Von Constanze Kurz, Frank Rieger im Buch Arbeitsfrei (2013)
Although understanding the particulars of the technology is not necessary, it is important to recognize that algorithms are not neu-tral. When engineers are building machine learning algorithms, they typically use training data and, in some cases, classifications pro-vided by the engineer to help the algorithm analyze the data. These systems are often designed to cluster data in order to provide results. Engineers then test those results with queries that they believe should have a “right” answer, or at least a sensible one. People—and their biases—are involved at each stage. They choose what data to train a system on, what classifications matter, and which examples to test. They make very human decisions about how to adjust the algorithms to provide results that they believe are of high quality.
Von danah boyd im Buch it's complicated (2014)

iconVerwandte Objeke

icon
Verwandte Begriffe
(Cozitation)
R, Künstliche Intelligenz (KI / AI)artificial intelligence, Watson, cognitive computingcognitive computing, Predictive AnalyticsPredictive Analytics

iconHäufig erwähnende Personen

iconHäufig co-zitierte Personen

Harrison White Harrison
White
Rodney Brooks Rodney
Brooks

iconStatistisches Begriffsnetz Dies ist eine graphische Darstellung derjenigen Begriffe, die häufig gleichzeitig mit dem Hauptbegriff erwähnt werden (Cozitation).

Diese Grafik fensterfüllend anzeigen als Pixelgrafik (PNG) Vektorgrafik (SVG)

iconBlahfasel-Generator (Beta)

Machine learning und Predictive Analytics: ein Spannungsfeld?
Wer hätte sich nicht schon intensiver Überlegungen zum Themenfeld "machine learning" gemacht! Grund genug also, das Themenfeld machine learning vertiefter zu dokumentieren.
Bereits im Jahr 1985 wurde das Thema erstmals betrachtet. Seither ist viel passiert.
Ein Blick auf die Geschichte des Begriffs ist unumgänglich. Die wichtigste Beschreibung des Begriffs lautet: "»Machine Learning« verfolgt den Ansatz, etwas der Intelligenz Vergleichbares durch die Sammlung und Analyse von großen Informationsmengen zu erzeugen und die Fehler durch Einbeziehung der Reaktionen des Menschen auf die Ergebnisse fortwährend zu reduzieren. Man kann es sich als automatisches Erfahrungslernen vorstellen, gespeist aus Zusammenhängen und Gemeinsamkeiten von Informationen. Zunächst ging es um die Auswertung von Texten. Gefüttert werden diese Algorithmen heute aber mit den nunmehr reichlich vorhandenen Datenschätzen, die wir in unserem digitalisierten Leben erzeugen. Egal ob Einkäufe, Blog-Postings, Bewegungsdaten, Kreditaufnahme oder Arbeitstätigkeit – praktisch alles hinterlässt digitale Spuren, die von derzeit meist noch separaten Systemen gespeichert und analysiert werden können. Es werden neue Erkenntnisse gewonnen und Informationen eingeordnet, die zuvor entweder zuviel Rechenleistung erforderten oder für die es bisher schlicht keine ausreichende Datenbasis gab." (Constanze Kurz, Frank Rieger, 2011). Zu vergleichen ist dies nun mit der Definition von Erich Herzog, Roger Wehrli, Marcus Hassler, Simon Schärer, Stephan Sigrist (2017) : "Maschinelles Lernen bezeichnet unterschiedliche Ansätze zur automatisierten Verarbeitung von Daten. Maschinell lernende Programme werden daraufhin trainiert, Muster und Gesetzmässigkeiten in Datenmengen zu erkennen und diese Zusammenhänge zur Verarbeitung von weiteren, gleichartigen Daten zu nutzen.". Hier zeigen sich nun sowohl Unterschiede und Gemeinsamkeiten. ...

iconErwähnungen Dies ist eine nach Erscheinungsjahr geordnete Liste aller im Biblionetz vorhandenen Werke, die das ausgewählte Thema behandeln.

iconAnderswo finden

iconAnderswo suchen Auch im Biblionetz finden Sie nicht alles. Aus diesem Grund bietet das Biblionetz bereits ausgefüllte Suchformulare für verschiedene Suchdienste an. Biblionetztreffer werden dabei ausgeschlossen.

iconBiblionetz-History Dies ist eine graphische Darstellung, wann wie viele Verweise von und zu diesem Objekt ins Biblionetz eingetragen wurden und wie oft die Seite abgerufen wurde.

Verweise auf machine learning 4551934321042377
Webzugriffe auf machine learning 1443211324422913356628
20162017