Was ist Machine Learning?

Machine Learning ist der iterative Prozess, der an einem Computer ausgeführt
wird, um unter Berücksichtigung spezifischer Einschränkungen Muster in einem
Dataset zu erkennen. Dabei wird einem Computer “beigebracht”, Umgebungen zu
erkunden und neue Fähigkeiten zu erlangen, ohne ihn dafür explizit zu
programmieren.

Machine Learning ist eine der Grundlagen der künstlichen Intelligenz, also der
Wissenschaft, ein System oder eine Maschine zu entwickeln, die menschliche
Intelligenz an den Tag legt. Machine Learning ermöglicht künstliche
Intelligenz.

Ein weiterer Begriff, der häufig mit Machine Learning verbunden wird, ist Deep
Learning. Deep Learning ist eine Weiterentwicklung von Machine Learning. Deep
Learning nutzt ein künstliches neurales Netzwerk, um Machine
Learning-Algorithmen ohne menschliche Einwirkungen zu entwickeln.

Warum ist Machine Learning wichtig?

Machine Learning ist für Unternehmen wichtig, da es die Analyse größerer und
komplexerer Daten ermöglicht und gleichzeitig schnellere, genauere Ergebnisse
in größerem Maßstab geliefert werden können. Damit können Unternehmen schnell
gewinnbringende Chancen und potenzielle Risiken erkennen.

Der Machine Learning-Lebenszyklus

Die erforderlichen Schritte zum Erstellen eines Machine Learning-Modells sind:

  • Daten auswählen und vorbereiten
  • Einen zu verwendenden Machine Learning-Algorithmus auswählen
  • Den Algorithmus mit den Daten trainieren, um ein benutzerdefiniertes Modell
    zu erstellen
  • Die Leistung des resultierenden Modells an Testdaten (oder “Holdout”-Daten)
    validieren
  • Modell mit neuen Daten (oder Bewertungsdaten) verwenden

Machine Learning-Modelle sollten im Laufe der Zeit überwacht und optimiert
werden, um weiterhin die leistungsstärksten und genauesten Geschäftsergebnisse
zu erzielen.

Machine Learning-Methoden

Es gibt drei Hauptkategorien beim Machine Learning: beaufsichtigtes Lernen,
unbeaufsichtigtes Lernen und bestärkendes Lernen.

 

ML- Supervised Learning
Beaufsichtigtes Lernen beschreibt eine Problemklasse, bei der mithilfe eines Modells eine Zuordnung zwischen Eingabebeispielen und der Zielvariable erlernt wird. Die Algorithmen beim beaufsichtigten Lernen werden anhand eines markierten Datasets trainiert und lernen, auf Grundlage von historischen Daten zu einer bestimmten Schlussfolgerung zu kommen.

 

ML- Unsupervised Learning
Unbeaufsichtigtes Lernen beschreibt eine Problemklasse, bei der mithilfe eines Modells Beziehungen in Daten beschrieben oder extrahiert werden. Im Vergleich zum beaufsichtigten Lernen basiert das unbeaufsichtigte Lernen nur auf den Eingabedaten, ohne erwartete Ausgaben oder Zielvariablen. Algorithmen für unbeaufsichtigtes Lernen nehmen nicht markierte Datasets auf, suchen nach Ähnlichkeiten oder Mustern in den Daten und verwenden diese Informationen, um die Daten zu sortieren,
gruppieren und klassifizieren, ohne dass ihnen beigebracht wird, wonach sie suchen müssen.

 

ML- Reinforement Learning
Bestärkendes Lernen beschreibt eine Problemklasse, bei der ein Agent (der Lernende) in einer Umgebung (alles, womit der Agent interagiert) arbeitet und mithilfe von Feedback lernt, zu agieren. Bei der Verwendung einer Umgebung ist kein festes Trainings-Dataset nötig. Stattdessen werden ein Ziel oder eine Reihe von Zielen, die ein Agent erreichen muss, Maßnahmen, die er durchführen kann, und Feedback zur Leistung in Bezug auf das Ziel festgelegt. Der Algorithmus bestimmt durch systematisches Ausprobieren, welche Aktionen die besten Ergebnisse erzielen.

Anwendungsfälle für Machine Learning

Machine Learning kann von vielen Organisationen genutzt werden und bietet
zahlreiche branchenspezifische Anwendungen.

Personalwesen

  • Personaltrends und -prognosen
  • Optimierung des Recruiting
  • Kapazitätsvorhersagen

Verpackte Verbrauchsgüter

  • Produktlebenszyklus-Management
  • Bestandsoptimierung
  • Bedarfsprognosen

Lieferkette

  • Lieferantenoptimierung
  • Bestandsplanung und -aufstockung
  • Risikoanalyse und -überwachung

Gesundheitswesen

  • Klinisches und bevölkerungsbezogenes Gesundheitsmanagement
  • Erkenntnisse aus der medizinischen Bildverarbeitung
  • Risikoerkennung bei Patienten

Finanzabteilung

  • Budgetplanung, Vorhersagen und Cashflow-Analyse
  • Umsatzprognose
  • Bekämpfung von Betrug, Verschwendung und Missbrauch

IT/Kompetenzzentrum

  • Ursachenanalyse
  • Ticketsortierung
  • Ticketsortierung

Ticketsortierung

  • Personalisierung
  • Empfehlungen
  • Planung der Warenversorgung

Machine Learning und Analytic Process Automation

Damit ein Machine Learning-Modell erfolgreich ist, müssen die Daten, die zum
Trainieren des Modells verwendet werden, gründlich und sorgfältig vorbereitet
und analysiert werden. Wenn dieser grundlegende Prozess in irgendeiner Weise
automatisiert werden kann, kommen Unternehmen noch schneller von der
Dateneingabe zu Erkenntnissen, womit Zeit und Geld gespart werden können.

Die Automatisierung ganzer Analyseprozesse ist der Schlüssel zum Erfolg und
sorgt dafür, dass Unternehmen flexibel bleiben. Machine Learning kann
Unternehmen dabei unterstützen, schneller transformative Ergebnisse zu
erzielen, wobei Analytic Process Automation diesen Vorgang beschleunigt.

Erste Schritte beim Machine Learning

Die
Analytic Process Automation Platform™
von Alteryx integriert den gesamten Analyse-Workflow. Neben der
Datenvorbereitung und anderen Funktionen ermöglicht sie automatisiertes,
vollständig angeleitetes Machine Learning und Modellieren sowie die Option
eines Expertenmodus, um schnellere Ergebnisse zu erzielen.

Zugriff auf, Vorbereitung, Modellierung und Überwachung von Daten sowie
Modellabstimmung und das Teilen von Analyseergebnissen erfolgen alle an einem
Ort, auf einer benutzerfreundlichen Plattform. Melden Sie sich jetzt für eine

kostenlose Testversion

der Plattform an

Außerdem bieten wir neuen Absolventen und arbeitssuchenden Datenspezialisten
das ADAPT-Programm an (Advancing Data & Analytics Potential Together). Sie
erhalten Zugang zu kostenlosen Kursen zu Data Science und Analytics, eine
Lizenz für Alteryx Designer, virtuellen persönlichen Support von unseren
Mitarbeitern und vieles mehr.
Erfahren Sie mehr und bewerben Sie sich
jetzt für das Programm.

Nächster Begriff
Cloud Data Warehouse (CDW)