Was ist Machine Learning? Maschinelles Lernen einfach erklärt!
datasolut
https://www.youtube.com/watch?v=fczMeARAKps

Transkript (automatisch erstellt)

0:00 Herzlich willkommen. Mein Name ist Laurence Hutke und ich erzähle dir heute, was Machine Learning ist. Machine Learning ist heute heute allgegenwärtig.
0:08 In jeder App, auf jeder Webseite, jedenfalls jeder großen Webseite, wird Machine Learning eingesetzt, um unsere digitale Journey zu personalisieren.
0:18 SpaceX nutzt Machine Learning, Amazon nutzt Machine Learning, alle großen Firmen setzen auf Machine Learning und ich möchte dir heute zeigen, was Machine
0:26 Learning ist, wie es funktioniert und wo es ganz genau eingesetzt wird. Also, was ist eigentlich Machine Learning? Machine Learning ist ein Teil
0:35 der künstlichen Intelligenz, wo Maschinen lernen lernen. Was heißt das? Maschinen werden oder Systeme werden programmiert, um aus Daten, Muster und
0:46 ähm Zusammenhänge zu erlernen, um diese auf unbekannte Daten anzuwenden, um Vorhersagen zu treffen oder einfach Muster zu erkennen. Um dir ein bisschen
0:55 genauer zu erklären, wie Maschinenarning jetzt wirklich funktioniert, möchte ich dir an dieser Grafik zeigen, äh wie dieser ganze Machine Learning Prozess
1:02 eigentlich abläuft und was wir dafür brauchen. Wir brauchen auf der einen Seite hier Eingabedaten. ähm
1:12 Merkmale, beschreibende Variablen, ähm aus denen der Algorithmus lernen kann. Also wir nehmen Daten, um dem Algorithmus, dem Machinearning
1:21 Algorithmus, diese Daten zur Verfügung zu stellen, damit dieser hier ähm Zusammenhänge, Muster, Abhängigkeiten und verborgene Strukturen identifizieren
1:31 kann. Wenn das erfolgreich war, dann ist es in der Regel so, dass äh die Ausgabe ein Modell ist.
1:40 Das heißt, der Algorithmus hat jetzt eigentlich Programmcode erzeugt und ein Regelwerk erzeugt, ein Modell erzeugt, ohne explizit von einem Menschen
1:51 programmiert gewesen zu sein. Das heißt, das ist dieser eigentliche Lernprozess, von dem alle reden. Also Machine Learning, maschinelles Lernen. Ähm, man
2:00 lernt aus den der der Algorithmus lernt oder das Machine Learning Modell lernt halt aus den Daten. Und der Output ähm oder die Ausgabe ist ein Modell, was
2:09 dann dazu genutzt werden kann, wenn neue unbekannte Daten kommen, ähm dass diese Daten dann bewertet werden durch diesen Algorithmus. Also, das heißt, man hat
2:18 hier was antrainiert mit diesem Modell und kann dann neue Daten bewerten, wo dann z.B. Wahrscheinlichkeiten herauspurzeln. Vielleicht machen wir es
2:28 noch mal ein bisschen konkreter an einem Beispiel bei der Fraud, also bei der Betrugserkennung. Lass uns vielleicht das Beispiel mal nehmen. Ähm, da werden
2:38 aus der Historie Betrugsfälle identifiziert und ähm Nichtbetrugsfälle sozusagen ordentliche Transaktionen identifiziert und ähm hier in den in den
2:51 Machine Learning Algorithmus eingegeben. Und das Modell trainiert Muster an. und versucht und im in einem erfolgreichen Fall natürlich auch kann diese Betrugsäh
3:03 Fälle relativ gut erkennen. Wenn dieses Modell dann fertig trainiert ist, dann werden aus der aktuellen Datenbank z.B. wenn wenn du jetzt einen
3:13 Kreditkartenkauf machst, wird einfach überprüft, okay, anhand deiner aktuellen Daten, wie hoch ist die Wahrscheinlichkeit, dass du äh dass dein
3:22 Einkauf ein Betrugsfall ist? Ähm, in der Regel sollte das niedrig sein, aber so seht ihr, gibt's ein ganz konkretes Beispiel, an dem man Machine Learning
3:30 erklären kann. Jetzt gibt's unterschiedliche Arten von Machine Learning und die würde ich euch auch gerne zeigen. Man unterscheidet generell
3:37 im Machine Learning äh in drei Hauptkategorien, also in das unüberwachte Lernen, in das überwachte Lernen und in das verstärkende Lernen.
3:45 Auf englisch unsupervised Learning, supervised learning und Reinforcement Learning. Das sind so die drei bekanntesten. Es gibt noch ein paar
3:53 Mischformen, auf die ich heute nicht eingehen möchte, aber ich möchte euch gerne diese drei äh ja, drei Hauptarten, Hauptmethoden noch mal vorstellen
4:04 und ähm das hier auch an einer Grafik, weil ich einfach denke, das ist ganz hilfreich, wenn man das an einer Grafik sieht. Also maschineres Lernen lässt
4:11 sich unterteilen in unüberwachtes Lernen und unüberwachtes Lernen erkennt eigenständig Muster und Zusammenhänge in den Daten. Ähm häufig
4:23 nutzt man das für ein sogenanntes Clustering. Ähm da werden dann Daten von dem von einem Algorithmus bewertet und es wird versucht unterschiedliche
4:33 Segmente, Klust, Gruppen zu finden, die innerhalb dieser Gruppen sehr ähnlich sind. aber ähm zwischen den Gruppen halt eine hohe Abweichung äh haben und sehr
4:43 unterschiedlich sind. Aber es gibt auch andere Anwendungsarten, da kommen wir gleich noch zu. Aber grundsätzlich kann man das mal so als unüberwachtes, als
4:51 Clustering ähm zusammenfassen. Beim Überwachten Lernen, das ist mit Sicherheit so der häufigste Anwend oder findet Maschinen die
5:01 häufigste Anwendung ist für die Vorhersage und für die Prognose von Ereignissen in der Zukunft gedacht. Ähm, das lässt sich wiederum hier
5:09 unterteilen, einmal in die Klassifikation, wo bestimmte Klassen vorhergesagt werden. Also, wie ich gerade schon erklärt hatte an dem
5:17 unserem Beispiel, Fraud wird versucht vorher zu sagen: "Hey, hey, ist diese Transaktion jetzt möglicherweise ein Betrugsfall oder eben nicht?" Bei der
5:28 Prognose hingegen spricht man auch häufig von Regression, ist es so, dass man einen numerischen Wert vorhersagen will. Es kann z.B. sein der
5:36 Stromverbrauch für eine bestimmte Stadt in den nächsten drei Tagen pro Tag. Beim verstärkenden Lernen, das ist äh so so ein Sonderfall, da gibt's
5:47 ähm ja so eine Umgebung und ein Belohnungssystem für den Algorithmus und der Algorithmus lernt eigentlich eigenständig ähm seine beste Strategie.
5:56 Häufig findet ähm diese relativ äh noch am Anfang stehende Art von Machine Learning Anwendung im autonom Fahren oder in der Robotik, wo Maschinen
6:07 eigenständig ja Zusammenhänge oder auch ähm ja Abläufe lernen können. Ähm sie werden dann halt für äh falsche Entscheidungen in irgendeiner Weise
6:18 bestraft und für gute Entscheidungen, die sie treffen, äh belohnt. Und somit entwickeln diese ähm ein ja eine Art und Weise ähm zu lernen. Lass uns zuletzt
6:29 auf die Anwendungsbereiche der unterschiedlichen Arten von Maschinenlearning gucken. Ich habe hier auch wieder eine Grafik mitgebracht und
6:37 ähm möchte euch das kurz zeigen. Lass uns anfangen beim überwachten unüberwachten lernen. Ähm ich hatte gerade schon gesagt, es gibt die Klasser
6:46 Klusterbildung, Klusteranalyse auch genannt wird z.B. für Markt und für für Kundensegmentierung gerne benutzt, aber auch für Empfehlungssysteme kann das
6:55 eingesetzt werden. Es gibt einen zweiten Fall, das ist die Dimensionsreduktion ähm wo Daten sozusagen in ihrer in ihrer Dimension reduziert werden, um
7:06 ja auch Daten zu visualisieren, Strukturen in den Daten zu erkennen. Häufig sind die Daten im Big Data ja so groß, dass man ja mit herkömmlichen
7:14 Reportingen teilweise nicht mehr so wirklich vorwärts kommt und nicht mehr die gewünschen Informationen extrahieren kann. Wird auch dazu benutzt, um z.B.
7:23 ähm Features zu erstellen, also Attribute und Merkmale zu erstellen, um wieder in anderen Machine Learning Algorithmen genutzt zu werden, um
7:30 Vorhersagen zu treffen. Ähm beim Überwachten Lernen, wie gesagt, unterteilt es sich in die Klassifikation und in die Prognose. Äh bei der
7:37 Klassifikation ist natürlich klassisch äh das Beispiel hier für die Objekterkennung ganz gut. Also auf Bildern erkennen, ob äh es sich auf dem
7:46 Bild um eine Katze oder um einen Hund handelt oder wie in unserem Beispiel auch ähm für die Betrugserkennung oder für die Kündigererkennung
7:55 predictive Targeting. Wir als Firma nutzen das halt sehr stark in der Vorhersage von zukünftigen Kundenverhalten, aber auch zur
8:02 Texterkennung kann das eingesetzt werden. Ähm im Bereich der Prognose oder Regression ähm sind natürlich klassisch Umsatzvorhersagen für äh bestimmte
8:12 Unternehmensbereiche oder Produkte ganz interessant, aber auch auf Kundenebene kann das getan werden, was einen großen Nutzen im Marketing hat. In der
8:21 Wetterprognose, Nachfrageprognose natürlich, Stromverbrauch und ja, wie ich gerade schon gesagt hatte, auch im Kundenwert. Beim Verstärkenden Lernen
8:30 ähm hatte ich die Beispiele autonomes Fahren und Robotik genannt, Verkehrssteuerung, aber auch in der Personalisierung und in der Werbung wird
8:38 heute schon Reinforcement Learning eingesetzt, um ja die digitale Customer Journey äh bestmöglich auf die Wünsche und äh ja Bedürfnisse jede jedes Kunden
8:47 anzupassen. Ähm ja, damit sind wir schon fast am Ende. Ich hoffe, ich konnte euch Machine Learning einfach erklären und ja, ich
8:57 freue mich über euer Abo. Bis dahin, euer Laurenz. [Musik]