Das Video kommt von YouTube: erst beim Abspielen verbindet sich die Seite mit YouTube (Google).
Unüberwachtes Lernen (Unsupervised Learning) einfach erklärt! - Machine Learning Grundlagen
Das Wichtigste aus dem Video
Tipp auf eine Zeit – das Video springt genau dorthin.
Transkriptautomatisch erstellt · 22 Zeilen
- herzlich willkommen mein Name ist laurz hutke und ich zeige dir heute was unsupervist also unüberwachtes lernen ist unüberwachtes Lernen steht für
- unüberwachtes lernen also sozusagen dass der Algorithmus keine klaren Vorgaben gibt was er da lernen soll beim supervised learning ich habe es hier
- oben mal verlinkt ist es so dass der Algorithmus klare Zielvariablen bekommt aus den er lernen kann beim unsupweis learning ist das halt ganz anders es
- gibt keine klare Zielvariable die vorher gesagt werden soll viel mehr ist der Algorithmus sozusagen da drauf ja wird der Algorithmus sozusagen einfach auf
- die Daten losgelassen und er soll eigenständig Muster Zusammenhänge und Strukturen erkennen die dann wiederum genutzt werden kann können um ja
- interpretiert zu werden ja und Strategien abgeleitet werden können um Prozesse zu optimieren bekannte Beispiele für unsupervised learning ist
- vor allen Dingen die klaseanalyse also die Analyse dieag eigenständig Segmente Klasse und Gruppen erstellen kann aber auch Asso tionsanalysen die häufig für
- warenkorpanalysen eingesetzt werden oder dimensionsreduktion um Big Data wirklich visualisierbar zu machen und versteckte Muster in diesen großen Datenmengen zu
- erkennen ich möchte dir gerne das unsupervised learning wieder an einem Beispiel erklären dafür habe ich wieder unser bankdatenset zur Direktmarketing
- Kampagne mitgebracht und diesmal ignorieren wir hier diese Zielvariable und konzentrieren uns auf die anderen variab weil ich hat ja
- gesagt der Algorithmus möchte keine Zielvariable haben und so ein klassealgorithmus der nimmt Daten und versucht dann eigenständig diese Muster
- und Gruppen und Segmente zu bilden in der Regel gibt man so einem Algorithmus schon auch vor wie viele Segmente er bilden soll es gibt auch Verfahren um zu
- ermitteln was sozusagen der der das die optimale Anzahl von den klastern ist aber an einem einfachen Beispiel ist es so dass D wir jetzt sozusagen hier in
- zweidimensionalen Beispiel versuchen würden sagen wir mal wir wollen dem Algorithmus vorgegeben er soll drei Klaster finden dann würde dieser
- Algorithmus eigenständig in die Daten gucken und natürlich versuchen möglichst trendscharfe klasster zu finden mach das jetzt hier mal exemplarisch vielleicht
- hier Kaser 1 Cluster 2 und Cluster 3 und so werden alle Datensätze einem Kluster zugeordnet und man kann im Nachhinein dann auch explorativ ergründen warum hat
- der Algorithmus das gemacht also anhand der sage ich mal jetzt des Umsatzes das jetzt hier Umsatz und Alter als Beispiel mal könnte man erklären warum diese
- Gruppen gebildet wurden diese Gruppen können dann jetzt z.B an unserem bankbeispiel genutzt werden um Marketingkampagnen genauer zu schnüren
- oder auch Information zurück in das Produktmanagement zu geben um neue Produkte zu entwickeln oder ja einfach Prozesse zu optimieren also wir haben
- gelernt unsupervised learning ist anders als super we learning der Hauptunterschied ist dass man sozusagen keine Zielvariable bekommt und der
- Algorithmus eigenständig Informationen und ja Muster und Zusammenhänge aus den Daten extrahieren möchte und kann ich hoffe dir hat das Video gefallen und ja
- du abonnierst den Kanal bis dahin R und hutke
Zum Nachlesen
ClusteranalyseUnter Clusteranalyse (Clustering-Algorithmus, gelegentlich auch: Ballungsanalyse) versteht man ein Verfahren zur Entdeckung von Ähnlichkeitsstrukturen in …
Maschinelles LernenMaschinelles Lernen (ML) entwickelt, untersucht und verwendet statistische Algorithmen, auch Lernalgorithmen genannt. Solche Algorithmen können lernen, …
Data-MiningAndere Verfahren wie der EM-Algorithmus oder k-Means-Algorithmus bevorzugen sphärische Cluster. Objekte, die keinem Cluster zugeordnet wurden, können als …
KlassifikationsverfahrenDas Erzeugen von Strukturen aus vorhandenen Daten wird auch als Mustererkennung, Diskriminierung oder überwachtes Lernen bezeichnet. Dabei werden …