Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Einleitung Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

3. Grundzüge des maschinellen Lernens

verfasst von : Carsten Lanquillon

Erschienen in: Blockchain und maschinelles Lernen

Verlag: Springer Berlin Heidelberg

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

In diesem Kapitel werden Grundzüge des maschinellen Lernens dargestellt. Ziel ist es, ein allgemeines Verständnis dafür zu schaffen, was maschinelle Lernverfahren leisten können. Neben bekannten Definitionen und einem kurzen Abriss über die Entstehung maschineller Lernverfahren werden insbesondere Unterscheidungsmerkmale und Varianten sowie gängige Aufgabentypen erläutert. Erst danach werden beispielhaft verschiedene Lernverfahren vorgestellt, die besonders eingängig oder typisch sind und oft in der Praxis zum Einsatz kommen. In praktischen Anwendungen spielt aufgrund der großen Datenmengen und zusätzlicher Anforderungen zum Datenschutz das verteilte Lernen eine immer wichtigere Rolle. Als Abschluss und gleichermaßen Überleitung zur Verbindung mit Blockchain-Technologie gilt der Ausblick am Ende des Kapitels.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Die Blockchain-Technologie
Nächstes Kapitel Blockchain und maschinelles Lernen – Ein Literaturüberblick
Fußnoten
1
Diese frühe und oft zitierte Definition des maschinellen Lernens ist auch heute noch äußerst treffend. Als Quelle wird meist ein Artikel des KI-Pioniers Arthur L. Samuel angegeben [34]. Allerdings findet sich in der verfügbaren Version des Artikels dieses Zitat nicht direkt.
 
2
Hard thinks are easy, but easy things are hard. (Moravec’sches Paradox) [30].
 
3
Ein kurzer Überblick über in der Praxis oft verwendete Modelle und eine Auswahl bekannter Lernverfahren folgt in Abschn. 3.5 dieses Kapitels.
 
4
David Wolpert hat gezeigt, dass es ohne jegliche Annahmen bezüglich der Daten, keinen Grund gibt, warum ein Modell einem anderen vorgezogen werden sollte. Dies ist eine Variante des No-Free-Lunch-Theorems bekannt [40].
 
5
Für eine ausführlichere Betrachtung dieser Thematik sei der Leser beispielsweise an Beschreibungen der Umsetzung von Lernverfahren im Kontext von Hadoop Map-Reduce verwiesen [11].
 
6
Dieses Zitat wird Peter Norvig zugeschrieben und oft verwendet. Eine wissenschaftliche Quelle lässt sich dafür jedoch nicht finden.
 
Literatur
1.
Aggarwal, C.C.: Outlier Analysis, 2. Aufl. Springer & Incorporated, New York (2016)
2.
Agrawal, R., Srikant, R.: Fast algorithms for mining association rules in large databases. In: Proceedings of the 20th International Conference on Very Large Data Bases, VLDB ’94, S. 487–499. Morgan Kaufmann Publishers Inc., San Francisco (1994)
3.
Banko, M., Brill, E.: Scaling to very very large corpora for natural language disambiguation. In: Proceedings of the 39th Annual Meeting on Association for Computational Linguistics, ACL ’01, S. 26–33. Association for Computational Linguistics, Stroudsburg (2001). https://​doi.​org/​10.​3115/​1073012.​1073017
4.
Bishop, C.M.: Pattern Recognition and Machine Learning. Springer, Berlin (2006)MATH
5.
Boser, B.E., Guyon, I.M., Vapnik, V.N.: A training algorithm for optimal margin classifiers. In: Proceedings of the Fifth Annual Workshop on Computational Learning Theory, COLT ’92, S. 144–152. ACM, New York (1992). https://​doi.​org/​10.​1145/​130385.​130401. Zugegriffen: 10. Mai. 2019
6.
7.
8.
Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J.: Classification and Regression Trees. Wadsworth & Brooks, Monterey (1984)MATH
9.
Chahal, K.S., Grover, M.S., Dey, K.: A Hitchhiker’s guide on distributed training of deep neural networks. CoRR abs/1810.11787 (2018)
10.
11.
Chu, C.T., Kim, S.K., Lin, Y.A., Yu, Y., Bradski, G., Ng, A.Y., Olukotun, K.: Map-reduce for machine learning on multicore. In: Proceedings of the 19th International Conference on Neural Information Processing Systems, NIPS’06, S. 281–288. MIT Press, Cambridge (2006)
12.
13.
Dietterich, T.G.: Ensemble methods in machine learning. In: Proceedings of the First International Workshop on Multiple Classifier Systems, MCS ’00, S. 1–15. Springer, London (2000)
14.
15.
Domingos, P.: The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World. Basic Books Inc., New York (2015)
16.
17.
Ester, M., Kriegel, H.P., Sander, J., Xu, X.: A density-based algorithm for discovering clusters a density-based algorithm for discovering clusters in large spatial databases with noise. In: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining, KDD ’96, S. 226–231. AAAI Press (1996)
18.
Geng, J., Li, D., Wang, S.: Horizontal or vertical?: A hybrid approach to large-scale distributed machine learning. In: Proceedings of the 10th Workshop on Scientific Cloud Computing, ScienceCloud ’19, S. 1–4. ACM, New York (2019). https://​doi.​org/​10.​1145/​3322795.​3331461
19.
20.
Han, J., Pei, J.: Mining frequent patterns by pattern-growth: methodology and implications. SIGKDD Explor. Newsl. 2(2), 14–20 (2000)MathSciNetCrossRef
21.
Han, J., Pei, J., Yin, Y.: Mining frequent patterns without candidate generation. SIGMOD Rec. 29(2), 1–12 (2000)CrossRef
22.
Hawkins, D.: Identification of Outliers. Chapman & Hall, London (1980)
23.
Jain, A.K., Dubes, R.C.: Algorithms for Clustering Data. Prentice-Hall Inc., Upper Saddle River (1988)MATH
24.
Konecný, J., McMahan, H.B., Ramage, D., Richtárik, P.: Federated optimization: distributed machine learning for on-device intelligence. CoRR abs/1610.02527 (2016)
25.
Konecný, J., McMahan, H.B., Yu, F.X., Richtárik, P., Suresh, A.T., Bacon, D.: Federated learning: strategies for improving communication efficiency. CoRR abs/1610.05492 (2016)
26.
Li, M., Andersen, D.G., Park, J.W., Smola, A.J., Ahmed, A., Josifovski, V., Long, J., Shekita, E.J., Su, B.Y.: Scaling distributed machine learning with the parameter server. In: Proceedings of the 11th USENIX Conference on Operating Systems Design and Implementation, OSDI’14, S. 583–598. USENIX Association, Berkeley (2014)
27.
Lin, H., Zhang, H., Ma, Y., He, T., Zhang, Z., Zha, S., Li, M.: Dynamic mini-batch SGD for elastic distributed training: learning in the limbo of resources. CoRR abs/1904.12043 (2019)
28.
MacQueen, J.: Some methods for classification and analysis of multivariate observations. In: Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, Volume 1: Statistics, S. 281–297. University of California Press, Berkeley (1967)
29.
Mitchell, T.M.: Machine Learning, 1. Aufl. McGraw-Hill Inc., New York (1997)MATH
30.
Moravec, H.: Mind Children: The Future of Robot and Human Intelligence. Harvard University Press, Cambridge (1988)
31.
Nelson, G.: The Analytics Lifecycle Toolkit: A Practical Guide for an Effective Analytics Capability. Wiley & SAS Business Series. Wiley, Incorporated (2018)CrossRef
32.
Nilsson, A., Smith, S., Ulm, G., Gustavsson, E., Jirstrand, M.: A performance evaluation of federated learning algorithms. In: Proceedings of the Second Workshop on Distributed Infrastructures for Deep Learning, DIDL ’18, S. 1–8. ACM, New York (2018). https://​doi.​org/​10.​1145/​3286490.​3286559
33.
Quinlan, J.R.: C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco (1993)
34.
35.
Schapire, R.E., Freund, Y.: Boosting: Foundations and Algorithms. The MIT Press, Cambridge (2012)
36.
Schölkopf, B., Smola, A.J.: Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge (2001)
37.
Shearer, C.: The crisp-dm model: the new blueprint for data mining. J. Data Warehous. 5(4), (2000)
38.
Tukey, J.W.: Exploratory Data Analysis. Addison-Wesley series in behavioral science : quantitative methods. Addison-Wesley, Reading, Mass. [u.a.] (1977)
39.
40.
41.
42.
Wu, X., Zhu, X., Wu, G., Ding, W.: Data Mining with Big Data. IEEE Transactions on Knowledge and Data Engineering 26(1), 97–107 (2014)CrossRef
43.
Metadaten
Titel
Grundzüge des maschinellen Lernens
verfasst von
Carsten Lanquillon
Copyright-Jahr
2019
Verlag
Springer Berlin Heidelberg
Buch
Blockchain und maschinelles Lernen

Print ISBN: 978-3-662-60407-6

Electronic ISBN: 978-3-662-60408-3

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-662-60408-3_3