18,99 €
Mehr erfahren.
- Herausgeber: Science Factory
- Kategorie: Wissenschaft und neue Technologien
- Sprache: Deutsch
- Veröffentlichungsjahr: 2018
Machine Learning ist eine mögliche Umsetzung von künstlicher Intelligenz (kurz KI), die in Software für Dinge wie Computer Vision, Spracherkennung, Sprachverarbeitung und Steuerung von Robotern eingesetzt wird. KI ist ein Zweig der Informatik, der sich damit beschäftigt intelligentes Verhalten in Computern zu simulieren. Dieses Konzept wird für Firmen aus allen Wirtschaftszweigen sowohl in internen Prozessen als auch in Produkten immer bedeutender. In dieser Publikation gibt der Autor einen Überblick über den aktuellen Stand des Machine Learning. Sein Fokus liegt dabei auf der Darstellung des aktuellen Standes der Technologien, den Aktivitäten der Key Player und den Anwendungsgebieten.
Das E-Book können Sie in Legimi-Apps oder einer beliebigen App lesen, die das folgende Format unterstützen:
Seitenzahl: 60
Ähnliche
Impressum:
Copyright (c) 2018 GRIN Verlag / Open Publishing GmbH, alle Inhalte urheberrechtlich geschützt. Kopieren und verbreiten nur mit Genehmigung des Verlags.
Bei GRIN macht sich Ihr Wissen bezahlt! Wir veröffentlichen kostenlos Ihre Haus-, Bachelor- und Masterarbeiten.
Jetzt beiwww.grin.com
Inhaltsverzeichnis
Abstract
Abkürzungsverzeichnis
Abbildungsverzeichnis
1 Einleitung
1.1 Begriff und Konzept des „Machine Learning“
1.2 Aufbau der Arbeit und Vorgehensweise
2 Software und Hardware Grundlagen
2.1 Klassifikationen von Machine Learning Algorithmen
2.1 Deep Learning in neuronalen Netzen
2.3 Hardware für Machine Learning
3 Key Player
3.1 Google
3.2 IBM
3.3 Nvidia
3.4 Microsoft
3.5 Amazon
3.6 OpenAI
4 Anwendungsgebiete
4.1 Medizin
4.2 Finanzwesen
4.3 Marketing
4.4 Cyber-Security
4.5 Autonomes Fahren
4.6 (Video-)Spiele
5 Zusammenfassung und Ausblick
5.1 Zusammenfassung
5.2 Ausblick
6 Literaturverzeichnis
6.1 Bücher (Monographien)
6.2 Bücher (Sammelwerke)
6.3 Buchkapitel
6.4 Graue Literatur / Berichte / Reports
6.5 Internetdokumente
6.6 Zeitschriftenaufsätze
Abstract
Abkürzungsverzeichnis
Abbildungsverzeichnis
Abbildung 1: Neuronales Netz
Abbildung 2: Why deep learning?
Abbildung 3: Sensoren für Autonomes Fahren
1 Einleitung
1.1 Begriff und Konzept des „Machine Learning“
Maschinelles Lernen ist eine Teildisziplin der Informatik, die laut Wikipedia (2017b) folgendermaßen definiert ist:
„Maschinelles Lernen ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es „erkennt“ Muster und Gesetzmäßigkeiten in den Lerndaten.“
Machine Learning ist eine mögliche Umsetzung von künstlicher Intelligenz (im Englischen Artificial Intelligence, kurz AI), die in Software für Dinge wie Computer Vision, Spracherkennung, Sprachverarbeitung und Steuerung von Robotern eingesetzt wird (Jordan & Mitchell, 2015). AI ist ein Zweig der Informatik, der sich damit beschäftigt intelligentes Verhalten in Computern zu simulieren (Merriam-Webster, 2017).
Dieses Konzept wird für Firmen aus allen Wirtschaftszweigen sowohl in internen Prozessen als auch in Produkten immer bedeutender. Im Jahr 2016 wurden 26 bis 39 Milliarden Dollar in das Feld investiert, wobei die externen Investitionen sich seit 2013 verdreifacht haben (Burghin et al., 2017). Unter den Investoren sind auch viele der weltweit größten Technologieunternehmen wie Google (Zerega, 2017), Baidu (Bloomberg, 2017) und Microsoft (Novet, 2017), die AI zu ihrer obersten Priorität erklärt haben.
Gartner (2017), eine der weltweit führenden Firmen im Bereich der Forschung und Beratung, nennt angewandte künstliche Intelligenz und fortgeschrittenes maschinelles Lernen an erster Stelle ihrer top 10 strategischer Technologietrends des Jahres 2017. Die Technologien des Rankings stehen kurz vor dem Durchbruch und haben das Potential industrieübergreifende Veränderungen zu bringen. Diese sind unterteilt in die drei Kategorien „intelligent“, „digital“ und „vernetzt“. Maschinelles Lernen wird in der Kategorie „intelligent“ gelistet. Vier der weiteren neun Trends, nämlich intelligente Apps, intelligente Dinge, Konversationssysteme und adaptive Sicherheitsarchitektur, werden dabei erst durch maschinelles Lernen ermöglicht.
Nach einer Analyse der Wirtschaftsprüfungsgesellschaft PwC (2017) soll das globale Bruttoinlandsprodukt (GDP) bis 2030 aufgrund der Entwicklungen im Bereich der AI um 14% steigen.
Der Begriff „Machine Learning“ wurde in den 1950er Jahren zum ersten Mal von Alan Turing im Zusammenhang mit AI verwendet. Er erkannte, dass es zu komplex ist, Intelligenz manuell zu programmieren. Deshalb wollte er künstliche Intelligenz durch Lernen an Beispielen erzeugen (Muggleton, 2014).
1.2 Aufbau der Arbeit und Vorgehensweise
Das Ziel dieser Arbeit ist es, das Thema „Machine Learning“ zu analysieren und einen Überblick zu geben. Der Fokus soll dabei auf der Darstellung des aktuellen Standes der Technologien, den Aktivitäten der Key Player und den Anwendungsgebieten liegen.
Die Methode dieser Arbeit ist eine Literaturrecherche. Dafür wurden zunächst die Online-Datenbanken Business Source Complete, SpringerLink, ACM Digital Library, Google Scholar sowie Google nach Quellen durchsucht. Um die Aktualität der Arbeit zu gewährleisten wurden zunächst Quellen ab dem Jahr 2015 bevorzugt und die Suche dann auf Quellen ab 2010 ausgeweitet. Betrachtete Quellen sind Artikel aus akademischen Journals, Fachliteratur, Berichte aus Forschung, Wirtschaft und Presse, sowie Informationen von Firmenwebseiten. Die gefundene Literatur ist dabei hauptsächlich in englischer Sprache. Der Suchbegriff „Artificial Intelligence“ hat sich dabei als ergiebiger herausgestellt, als „Machine Learning“. In vielen Quellen wird unter dem Namen der AI ein Vorgang beschrieben, der durch Machine Learning ermöglicht wird. Am Anfang wurde mit den allgemeinen Suchbegriffen „Machine Learning“ und „Artificial Intelligence“ ein Überblick über das Thema geschaffen und mithilfe der gefundenen Quellen eine erste Gliederung erstellt. Im zweiten Schritt wurden Quellen spezifisch für die Punkte der Gliederung gesucht. Hierfür wurde in den Suchmaschinen der Gliederungspunkt zusammen mit den Begriffen „Maschine Learning“ und „Artificial Intelligence“ als Suchbegriff verwendet. Die gefundenen Quellen wurden im Anschluss analysiert, auf Qualität geprüft, und ihr Inhalt zu dieser Arbeit zusammengefasst.
2 Software und Hardware Grundlagen
Das folgende Kapitel befasst sich mit den Grundlagen des Machine Learning. Dazu werden Software und Hardware betrachtet. Zunächst wird ein Überblick über die in der Literatur gebräuchlichen Softwareklassifikationen gegeben. Darauf aufbauend beschreibt das zweite Unterkapitel die Methode des Deep Learning in neuronalen Netzen, welche bei vielen aktuellen Fortschritten im Mittelpunkt steht. Abschließend wird der aktuelle Stand der Hardware für Machine Learning dargestellt.
2.1 Klassifikationen von Machine Learning Algorithmen
Eine in der Literatur weit verbreitete Methode, einen Überblick über die verschiedenen Machine Learning Algorithmen zu geben, ist diese nach den Arten des Lernens zu unterscheiden (Brownlee, 2013; Fumo, 2017; Marshland, 2015). Hierfür gibt es die fünf Klassifikationen Supervised Learning, Unsupervised Learning, Semi-Supervised Learning, Reinforcement Learning und Evolutionary Learning. Die Eigenschaften dieser Typen werden im Folgenden beschrieben.
Supervised Learning
Supervised Learning Algorithmen berechnen aus einer gegebenen Dateneingabe eine Datenausgabe. Wie diese Berechnung durchzuführen ist, verallgemeinert der Algorithmus aus Lerndaten, die ihm zuvor zur Verfügung gestellt wurden. Diese Lerndaten bestehen aus korrekten Eingabe-Ausgabe-Paaren. Man spricht dabei auch von Labeled Data (Sammut & Webb, 2017, pp. 1213–1214). Der Vorteil von Machine Learning ist dabei die Generalisierung. Die Lerndaten müssen nicht jede mögliche Kombination beinhalten, damit der Algorithmus funktioniert. Stattdessen wird das gelernte verallgemeinert, sodass auch aus unbekanntem Input ein sinnvoller Output generiert werden kann (Marshland, 2015).
Unsupervised Learning
Unsupervised Learning Algorithmen werden für Probleme verwendet, für die es keine Lerndaten gibt, die dem Algorithmus Beispiele für den Weg von Input zu Output liefern. Lerndaten, bei denen nur der Input ohne zugehörigen Output Wert geliefert wird, werden auch Unlabeled Data genannt. Die Algorithmen betrachten diesen Input, erkennen selbstständig Gemeinsamkeiten und Gruppieren dann die Daten (Marshland, 2015).
Semi-Supervised Learning
