Maschinelles Lernen und Wissensrepräsentation

Wenn es zur Zeit ein interessantes Thema im Bereich der Informationsverarbeitung gibt, dann ist es wohl Maschinell Lernen. Egal ob im Studium, im Arbeitsalltag oder in der Zeitung. Überall ist das Thema Maschinelles Lernen zu finden.

Genau aus diesem Grund schauen wir uns heute mal an, was Maschinelles Lernen überhaupt ist und in welche unterschiedlichen Bereiche es dort gibt.

Was ist Maschinelles Lernen (machine learning)

Verfahren , die in der Lage sind, Wissen „selbständig“ zu generieren subsumiert man unter dem Begriff Maschinelles Lernen. Derartige Verfahren lernen durch Beispiele und sind nach Abschluss der Lernphase in der Lage das Gelernte zu verallgemeinern.

Mögliche Anwendungsgebiete für das Maschinelle Lernen sind:

• Objekterkennung
• Klassifikation
• data mining
• Prozess-Steuerung

Jetzt bleibt aber noch die Frage, was sind die Beweggründe für Maschinelles lernen. Ich habe hier drei ganz passende Beispiele an der Uni Bamberg gefunden:

• Technologisches Interesse: Lernfähige Systeme (Belehren statt Programmieren)
• Erkenntnis-Interesse: Verstehen des menschlichen Lernens durch die Entwicklung von Computermodellen.
• Analytisches Interesse: Gegeben welche Informationen ist welche Art von Wissen mit welchem Aufwand automatisch lernbar.

Unter Wissensrepräsentation versteht man die Art und Weise, in der das Wissen in einem System vorgehalten wird. Dafür gibt es verschiedene Techniken und Kriterien. Auf die Techniken will ich an dieser Stelle nicht weiter eingehen. Was aber Interessant ist, sind die Kriterien nach denen man eine Wissensrepräsentation Art auswählt:

• Korrektheit
• Mächtigkeit
• Effizienz
• Komplexität
• Übersetzbarkeit

Im Folgenden werden drei Bereiche des Maschinellen Lernens mit der jeweils dazugehörigen Form der Wissensrepräsentation vorgestellt.

Bereiche des Maschinellen Lernens

Symbolbasiert

Hier wird das  Lernen wird als Akquisition von explizit beschriebenem Domänenwissen modelliert. Auf Basis seiner Erfahrung modifiziert und konstruiert das lernende System Ausdrücke in einer formalen Sprache. Diese Ausdrücke werden der Wissensbasis hinzugefügt. Das Systemverhalten wird primär durch das explizit beschrieben Domänenwissen beeinflusst.

Konnektionistisch

Die Basis  wird aus einfachen, miteinander verbundenen Einheiten gebildet. Das Systemwissen steckt in der Struktur und der Interaktion der Verbindungen zwischen diesen Einheiten. Die Erweiterung des Systemwissens geschieht durch Veränderungen an den Verbindungen.

Sozial und emergent

Eine Gruppen von Lösungsmöglichkeiten konkurrieren miteinander Die besten Lösungsmöglichkeiten werden ausgewählt. Auf deren Basis wird eine neue Gruppe generiert. Aus diesem Prozess wird ein Zyklus aufgebaut, der an die biologische Evolution erinnert. Das Wissen wird von jeder Lösungsmöglichkeit repräsentiert und kann auf unterschiedliche Art abgelegt sein.

Als Quelle für diesen Artikel habe ich die Bachelorarbeit von Sven Lund  über Optimierung von Neuronalen Netzen mit Hilfe Genetischer Algrotihmen verwendet.