Unüberwachtes Lernen (Unsupervised Learning) einfach erklärt! - Machine Learning Grundlagen
datasolut
https://www.youtube.com/watch?v=XSOi9MKfEHQ

Transkript (automatisch erstellt)

0:00 herzlich willkommen mein Name ist laurz hutke und ich zeige dir heute was unsupervist also unüberwachtes lernen ist unüberwachtes Lernen steht für
0:08 unüberwachtes lernen also sozusagen dass der Algorithmus keine klaren Vorgaben gibt was er da lernen soll beim supervised learning ich habe es hier
0:16 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
0:25 gibt keine klare Zielvariable die vorher gesagt werden soll viel mehr ist der Algorithmus sozusagen da drauf ja wird der Algorithmus sozusagen einfach auf
0:33 die Daten losgelassen und er soll eigenständig Muster Zusammenhänge und Strukturen erkennen die dann wiederum genutzt werden kann können um ja
0:41 interpretiert zu werden ja und Strategien abgeleitet werden können um Prozesse zu optimieren bekannte Beispiele für unsupervised learning ist
0:49 vor allen Dingen die klaseanalyse also die Analyse dieag eigenständig Segmente Klasse und Gruppen erstellen kann aber auch Asso tionsanalysen die häufig für
1:01 warenkorpanalysen eingesetzt werden oder dimensionsreduktion um Big Data wirklich visualisierbar zu machen und versteckte Muster in diesen großen Datenmengen zu
1:12 erkennen ich möchte dir gerne das unsupervised learning wieder an einem Beispiel erklären dafür habe ich wieder unser bankdatenset zur Direktmarketing
1:21 Kampagne mitgebracht und diesmal ignorieren wir hier diese Zielvariable und konzentrieren uns auf die anderen variab weil ich hat ja
1:31 gesagt der Algorithmus möchte keine Zielvariable haben und so ein klassealgorithmus der nimmt Daten und versucht dann eigenständig diese Muster
1:39 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
1:48 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
2:01 zweidimensionalen Beispiel versuchen würden sagen wir mal wir wollen dem Algorithmus vorgegeben er soll drei Klaster finden dann würde dieser
2:09 Algorithmus eigenständig in die Daten gucken und natürlich versuchen möglichst trendscharfe klasster zu finden mach das jetzt hier mal exemplarisch vielleicht
2:17 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
2:30 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
2:40 Gruppen gebildet wurden diese Gruppen können dann jetzt z.B an unserem bankbeispiel genutzt werden um Marketingkampagnen genauer zu schnüren
2:47 oder auch Information zurück in das Produktmanagement zu geben um neue Produkte zu entwickeln oder ja einfach Prozesse zu optimieren also wir haben
2:56 gelernt unsupervised learning ist anders als super we learning der Hauptunterschied ist dass man sozusagen keine Zielvariable bekommt und der
3:04 Algorithmus eigenständig Informationen und ja Muster und Zusammenhänge aus den Daten extrahieren möchte und kann ich hoffe dir hat das Video gefallen und ja
3:16 du abonnierst den Kanal bis dahin R und hutke