Maschinelles Lernen
Beim maschinellen Lernen lernt ein künstliches System aus Beispielen und kann diese nach Beendigung der Trainingsphase verallgemeinern.
Links siehst du einen sogenannten binären Entscheidungsbaum für die Filmvorlieben von Kim. Für unser einfaches Problem wäre diese Darstellung völlig ausreichend gewesen. Auch liesse sich ein Entscheidungsbaum mit Hilfe von bedingten Anweisungen (wenn... dann...) in wenigen Zeilen Code programmieren. Dieses Programm müsste aber für jede Person angepasst werden. Das heisst für das Beispiel mit dem Entscheidungsbaum, dass wir für jede Person einen eigenen Baum zeichnen müssten.
Bei der traditionellen Programmierung schreibt also ein Mensch ein Programm, das aus vorgegebenen Inputs einen gewünschten Output generiert. Der oben erwähnte Entscheidungsbaum ist ein Beispiel für so ein Programm, das dafür programmiert wurde, herauszufinden, ob Kim einen Film mag oder nicht.
Beim maschinellen Lernen hingegen besteht das Programm aus ganz vielen variablen Parametern, welche mit Hilfe von bekannten Input-/Output-Paaren angepasst werden. Es gibt viele unterschiedliche Verfahren, die beim maschinellen Lernen angewendet werden. In unserem Trainingsbeispiel benutzten wir ein Perzeptron mit dem Versuch-und-Irrtum-Lernalgorithmus. Dabei waren die Inputs die beiden Filmeigenschaften Action (ja/nein) und Comedy (ja/nein). Wie du in der Übung gesehen hast, war das Perzeptron in der Lage nach wenigen Trainingseinheiten, selbst zuzuordnen, ob eine Person einen Film mag oder nicht. Diese Anpassungsfähigkeit ist vom Prozess, den wir bei Menschen und Tieren Lernen nennen, inspiriert und der Grund dafür, weshalb diese Verfahren in so vielen Gebieten angewendet werden.