Einführung
Machine Learning-Modelle sind Computeralgorithmen, die Daten nutzen, um (fundierte) Schätzungen oder Entscheidungen zu treffen. Machine Learning-Modelle unterscheiden sich in ihrem Entwurf von herkömmlichen Algorithmen. Wenn traditionelle Computersoftware verbessert werden muss, wird sie von Personen bearbeitet. Im Gegensatz dazu verwendet ein Algorithmus für maschinelles Lernen Daten, um bei einer bestimmten Aufgabe besser zu werden.
Spamfilter verwenden beispielsweise maschinelles Lernen. Vor 20 Jahren gab es für Spamfilter noch nicht viele Beispiele, aus denen sie lernen konnten. Daher waren sie nicht gut darin zu erkennen, was Spam ist und was nicht. Je mehr Spam es gab, der von menschlichen Benutzern entsprechend gekennzeichnet wurde, desto mehr Erfahrungen konnten die Algorithmen für maschinelles Lernen sammeln und sich damit verbessern.
Passende Schuhe
In diesem Modul werden wichtige Konzepte des maschinellen Lernens anhand eines Beispielszenarios erläutert.
In diesem Szenario besitzen Sie ein Geschäft, über das Sie Hundegeschirr für Lawinenhunde verkaufen. Sie haben Ihr Sortiment kürzlich um Hundeschuhe erweitert. Ihre Kunden bestellen zwar die richtigen Geschirrgrößen, aber sehr oft Schuhe in der falschen Größe. Da Sie wissen, dass die meisten Kunden Geschirr und Schuhe in derselben Transaktion kaufen, haben Sie eine Idee: Vielleicht können Sie die richtige Schuhgröße der Hunde anhand des ausgewählten Geschirrs eingrenzen. So könnten Sie Ihre Kunden schon vor dem Kauf warnen, wenn die ausgewählten Schuhe wahrscheinlich die falsche Größe haben.
In diesem Modul erstellen wir ein Machine Learning-Modell, das diese Idee implementiert. Während dieses Szenarios werden einige grundlegende Konzepte des maschinellen Lernens vorgestellt und ihre Anwendung in der Praxis veranschaulicht.
Lernziele
In diesem Modul wird Folgendes thematisiert:
- Erkunden der Unterschiede zwischen maschinellem Lernen und herkömmlicher Software
- Erstellen und Testen eines Machine Learning-Modells
- Laden eines Modells und Nutzen des Modells mit neuen Daten
Voraussetzungen
Keine