/ en / Traditional / help

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 ist nur im SVG-Format verfügbar. Dieses Format wird vom verwendeteten Browser offenbar nicht unterstützt.

Diese Grafik fensterfüllend anzeigen (SVG)

iconSynonyme

machine learning, Maschinelles Lernen

iconDefinitionen

Herausforderungen der künstlichen IntelligenzMaschinelles Lernen (ML) bezeichnet Ansätze, bei welchen Maschinen die Fähigkeit besitzen, sich ihr eigenes Wissen anzueignen, indem sie Muster aus Rohdaten extrahieren und auf dieser Basis automatisiert robuste Prognosen in komplexen Daten erstellen.
Von Interdepartementale Arbeitsgruppe künstliche Intelligenz im Buch Herausforderungen der künstlichen Intelligenz (2019) im Text Anhang 2: Maschinelles Lernen
Zukunft digitale SchweizMaschinelles 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)
Wie Maschinen lernenMaschinelles Lernen ist der Sammelbegriff für alle Computerprogramme, deren Verhalten nicht fest einprogrammiert ist. Stattdessen gibt man fest vor, wie diese aus Daten lernen. Aus den Daten kann dann das Verhalten der Computerprogramme in die gewünschte Richtung geformt werden. Maschinelles Lernen ist daher eine sehr beliebte Möglichkeit, Systeme zu erschaffen, die über künstliche Intelligenz verfügen.
Von Jannik Kossen, Fabrizio Kuruc, Maike Elisa Müller im Buch Wie Maschinen lernen (2019) im Text Einleitung auf Seite  7
Diskriminierungsrisiken durch Verwendung von AlgorithmenMaschinelles Lernen ist ein unscharfer Sammelbegriff für sehr unterschiedliche Konzepte und Methoden, die sogar auch herkömmliche statistische Analysemethoden umfassen können.11 Der Begriff maschinelles Lernen bezieht sich auf Verfahren zum automatisierten Auffinden von Korrelationen – auch als Zusammenhänge, Regelmäßigkeiten oder Muster bezeichnet – zwischen Variablen in einem Datensatz. Dabei versucht man, den menschlichen Prozess des Lernens nachzubilden, indem aus einer großen Zahl von Beispielen in Form von Lern- bzw. Trainingsdatensätzen maschinell (aber nicht ohne Involvierung von Menschen) die relevanten Muster bzw. Merkmale für das zu analysierende Objekt identifiziert und als Modell erzeugt werden. In den meisten Fällen dienen Verfahren des maschinellen Lernens zur Erzeugung von Vorhersagen oder Schätzungen von Ergebnissen (nach Lehr & Ohm 2017: 671).
Von Carsten Orwat im Buch Diskriminierungsrisiken durch Verwendung von Algorithmen (2019)
Die Datenfresser»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

Calling BullshitA machine learning algorithm is only as good as its training data.
Von Carl T. Bergstrom, Jevin D. West im Buch Calling Bullshit (2020) im Text The Nature of Bullshit
The Master AlgorithmLearning 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
ML has historically been a niche area of CS, but now it is increasingly relevant to core CS disciplines, from computer architecture to operating systems.
Von R. Benjamin Shapiro, Rebecca Fiebrink, Peter Norvig im Text How Machine Learning impacts the Undergraduate Computing Curriculum (2018)
The Master AlgorithmWhoever 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 with RMachine 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)
Wie Maschinen lernenInteressanterweise sind die meisten Lernalgorithmen gar nicht besonders neu, sondern wurden bereits vor Jahrzehnten entwickelt. Neu ist jedoch die gigantische Menge an Daten, dank günstiger Sensoren und dem Internet, sowie modernen Computerchips, auf denen die Lernalgorithmen besonders effizient angewendet werden können.
Von Nicolas Berberich im Buch Wie Maschinen lernen (2019) im Text Algorithmen
Calling BullshitBecause the data are central to these systems, one rarely needs professional training in computer science to spot unconvincing claims or problematic applications. Most of the time, we don’t need to understand the learning algorithm in detail. Nor do we need to understand the workings of the program that the learning algorithm generates.
Von Carl T. Bergstrom, Jevin D. West im Buch Calling Bullshit (2020) im Text Calling Bullshit on Big Data
Algorithmen lernen aus Daten - sätzen Zusammenhänge, die sich nicht einmal Menschen er - schließen. Das ist beeindruckend und oft auch nützlich. Die Com - puter denken dabei aber längst nicht wie Menschen, denn dafür fehlen noch wichtige Bausteine für Intelligenz. Wir haben führende Kritiker des KI-Hypes gefragt, wo die grundsätzlichen Probleme liegen.
Von Pina Merkert im Text Statistik ist nicht Denken
The Master AlgorithmThe 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
The Master AlgorithmMachine 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)
The Master AlgorithmMachine learning is the scientific method on steroids. It follows the same process of generating, testing, and discarding or refining hypotheses. But while a scientist may spend his or her whole life coming up with and testing a few hundred hypotheses, a machine-learning system can do the same in a fraction of a second. Machine learning automates discovery. It’s no surprise, then, that it’s revolutionizing science as much as it’s revolutionizing business.
Von Pedro Domingos im Buch The Master Algorithm (2015) im Text The Machine-Learning Revolution
Machine Learning with RAlthough 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)
Katharina A. ZweigDie Methoden des maschinellen Lernens sind Methoden der Korrelationssuche. Das heißt, sie suchen nach Eigenschaften, die mit der vorherzusagenden Eigenschaft sehr oft gemeinsamen auftreten (und weniger oft auftreten, wenn ein Datenpunkt die vorherzusagende Eigenschaft nicht hat). Ob aber jetzt diese »korrelierenden« Eigenschaften die Ursache der vorherzusagenden Eigenschaft sind oder diese in anderer Form beeinflussen, darüber können sie zunächst keine Auskunft geben.
Von Katharina A. Zweig im Buch Ein Algorithmus hat kein Taktgefühl (2019) im Text Maschinelles Lernen versus Mensch (2:0) auf Seite  194
Neuronale DenkfehlerDeep Learning und andere Verfahren des maschinellen Lernens sind Realität: In Gestalt nützlicher kleiner Helfer organisieren sie den Alltag, in Firmen steigern sie die Effizienz. Beeindruckende Erfolge in Spezialdisziplinen lassen die Technik als Lösung für alle möglichen Probleme erscheinen, die der Mensch nicht vollständig durchblickt. Doch davon ist man noch weit entfernt. KI-Experten und Neurowissenschaftler sind sich weitgehend einig, dass man für solch komplexe Systeme, die auch selbstständig Theorien entwickeln und hinterfragen müssten, eine ganz andere Architektur bräuchte.
Von Andrea Trinkwalder in der Zeitschrift Neuronale Denkfehler (2018) im Text Irren ist künstlich
Die DatenfresserDer 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)
ArbeitsfreiDas 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)
it's complicatedAlthough 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
(co-word occurance)		Künstliche Intelligenz (KI / AI)artificial intelligence(0.07), deep learning(0.04), Algorithmusalgorithm(0.03), supervised learning(0.03), reinforcement learning(0.03)
icon
Verwandte Aussagen 		Machine Learning kann bestehende Vorurteile/Ungerechtigkeiten verstärken/weitertragen
big data fördert machine learning
Machine learning benötigt Daten
Machine Learning macht Programmierkenntnisse obsolet
Machine Learning senkt den Wert von Erfahrungswissen

CoautorInnenlandkarte

Diese Grafik ist nur im SVG-Format verfügbar. Dieses Format wird vom verwendeteten Browser offenbar nicht unterstützt.

Diese Grafik fensterfüllend anzeigen (SVG)

iconHäufig erwähnende Personen

Stuart Russell Stuart
Russell
Katharina A. Zweig Katharina A.
Zweig
Carsten Schulte Carsten
Schulte
Chaomei Chen Chaomei
Chen
Viktor Mayer-Schönberger Viktor
Mayer-Schönberger
Andrew McAfee Andrew
McAfee
Erik Brynjolfsson Erik
Brynjolfsson
Gerd Gigerenzer Gerd
Gigerenzer
Beat Döbeli Honegger Beat
Döbeli Honegger

iconHäufig co-zitierte Personen

Geoffrey Hinton Geoffrey
Hinton
Rodney Brooks Rodney
Brooks
Rebecca Fiebrink Rebecca
Fiebrink

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

icon2 Einträge in Beats Blog

iconZeitleiste

icon340 Erwähnungen  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.

Suchen im Biblionetz mit Google
Google Scholar
Google
Amazon

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.