Diese Fragen wollte ich beantworten k\u00f6nnen und schrieb mich f\u00fcr den Kurs \u00abMachine Learning with R \u2013 An Introduction\u00bb ein. Dass man von dieser Anmeldung nicht mehr zur\u00fccktreten kann \u2013 eine neue Regelung im Doktoratsstudium \u2013, wurde mir erst sp\u00e4ter bewusst. Ich musste den Kurs also um jeden Preis bestehen.<\/p>\n
Das zum Kurs passende Buch unseres Dozenten, ein sogenannter \u00abdata scientist\u00bb an der University of Michigan, fand ich online und begann darin zu st\u00f6bern: \u00abIf science fiction stories are to be believed, the invention of artificial intelligence inevitably leads to apocalyptic wars between machines and their makers. In the early stages, computers are taught to play simple games of tic-tac-toe and chess. Later, machines are given control of traffic lights and communications, followed by military drones and missiles. The machines‘ evolution takes an ominous turn once the computers become sentient and learn how to teach themselves. Having no more need for human programmers, humankind is then \u00abdeleted\u00bb. Thankfully, at the time of this writing, machines still require user input.\u00bb[1]\u00a0<\/a><\/em>Als grosser Fan der Serie \u00abPerson of Interest\u00bb, welche von einem \u00e4hnlichen Szenario handelt, hat mich Brett Lanz mit seinen einleitenden Worten begeistert, auch wenn das Buch dann nach und nach komplexer und \u2018nerdiger\u2019 wurde.<\/p>\n Ich lud mir das Programm \u00abR\u00bb gem\u00e4ss den Anweisungen im Buch runter und kopierte einige Quelltexte hinein \u2013 es schien zu funktionieren. Gl\u00fccklicherweise erhielten wir vorab den gesamten Code zum Buch bereits als Quelltext in R, und so konnte auch ich dem Unterricht einigermassen folgen. Der Kurs dauerte eine Woche, und wir erfuhren, wie Maschinen wirklich lernen, welche Daten sie dazu ben\u00f6tigen und wie diese Daten aufbereitet sein m\u00fcssen. Tats\u00e4chlich bilden die Daten das Kernst\u00fcck von Machine Learning. Sind die Daten n\u00e4mlich uneinheitlich oder unvollst\u00e4ndig, dann kommt \u2013 ich glaube, Sie k\u00f6nnen sich es bereits denken \u2013 genau: Error!<\/p>\n Doch das Programmieren der verschiedenen Modelle ist nicht ganz ohne Aufwand zu bew\u00e4ltigen. Auch wenn es wohl mit dem im Buch vorgeschlagenen Beispiel funktioniert, heisst das noch lange nicht, dass der Code dann ebenso auf meine Daten angewendet werden kann. Mein Takeaway: Es braucht ein scharfes Auge und viel Experimentierfreude, um so ein Modell zu programmieren. Je nach Modell sind \u00fcbrigens auch unterschiedliche Daten n\u00f6tig bzw. sind unterschiedliche Modelle f\u00fcr gewisse Daten besser oder weniger gut geeignet.<\/p>\n So gestaltete sich auch unser Abschlussprojekt, welches wir in der Gruppe erarbeiten durften, als ziemliche Herausforderung. Wir beschlossen, einen riesigen Datensatz an Bewertungen von Kochrezepten mit Machine Learning zu analysieren. Konkret fragten wir: Welche Zutaten f\u00fchren eher dazu, dass ein Rezept mit gut oder sehr gut bewertet wird? Ferner wollten wir herausfinden, welches der im Kurs erlernten Machine Learning Modelle sich am besten eignet, diese Daten zu analysieren. Nachfolgend also, wie wir vorgingen.<\/p>\n Damit eine Maschine lernt, teilt man den Datensatz in zwei Teile, wovon die ersten 30% der Daten nur zum Trainieren der Maschine gedacht sind. Das Modell lernt anhand der Trainingsdaten, wie sich diese verhalten, und wendet die Erkenntnisse daraus auf die \u00fcbrigen 70% der Daten an. In unserem Projekt erkannte eines der Modelle, dass immer, wenn Zucker als Zutat verwendet wurde, das Rezept mindestens mit gut bewertet wird. Diese aus den Trainingsdaten gewonnene Feststellung verwendet das Modell anschliessend, um Prognosen \u00fcber die Bewertungen der \u00fcbrigen Rezepte anzustellen. Nur nebenbei: Ich h\u00e4tte schon hier merken m\u00fcssen, dass etwas nicht stimmen kann, denn nicht alle Kuchenrezepte habe ich \u2013 trotz Zucker! \u2013 bisher wirklich als lecker empfunden.<\/p>\n Soweit, so gut. Sie erahnen es sicher schon: Leider muss ich berichten, dass wir zwar alles korrekt angewendet haben, aber am Ende trotzdem keine sehr verl\u00e4sslichen Prognosen erstellen konnten \u2013 unabh\u00e4ngig davon, welches Modell wir w\u00e4hlten. Von K nearest Neighbours \u00fcber Decision Trees \u2013 welchen wir sogar geboostet haben \u2013 \u00fcber ein Random Forest Modell, nichts funktionierte zuverl\u00e4ssig. Dennoch bestanden wir den Kurs erfolgreich, weil wir lernten, dass es im Umgang mit Daten genauso wichtig ist zu erkennen, wenn das Resultat schlecht ist. Ganz nach dem Motto: Operation gelungen, Patient gestorben!<\/p>\n Ich bin trotz des nicht erfolgreichen Ausgangs unseres Projekts weiterhin fasziniert und stelle fest, dass gewisse Anwendungsm\u00f6glichkeiten von Machine Learning tats\u00e4chlich alltagstauglich sind. Beherrscht man dieses Gebiet und hat gute Daten, kann man k\u00fcnftige Resultate tats\u00e4chlich mit einer gewissen Wahrscheinlichkeit vorhersagen. Ein bekanntes Beispiel ist die Analyse von menschlichen Zellen, bei denen ein Computercode anhand von relevanten Kriterien mit einer sehr hohen Wahrscheinlichkeit bestimmen kann, ob die Zelle einen b\u00f6sartigen Krebs entwickelt oder nicht.<\/p>\n \n Solange die Maschinen also noch nicht im Stile Hollywoods \u00dcberhand nehmen, k\u00f6nnen wir noch lange von den unendlichen M\u00f6glichkeiten von Machine Learning profitieren.<\/p>\n [1]<\/a> Brett Lantz, Machine Learning with R, 2nd Edition, 2015<\/a>.<\/p>\n <\/p>\n Dieser Artikel ist die Fortsetzung von:\u00a0<\/em><\/p>\n <\/i><\/i>Message from a Digital Native<\/a><\/p>\n <\/p>\n Picture by AlexRaths<\/a> on iStock<\/a><\/em><\/p>\n <\/p>\n\n Executive School Studiengang:<\/h5>\n
<\/div>\n\n \n KI (K\u00fcnstliche Intelligenz)- Projekte erfolgreich managen<\/a> <\/h4>\n\n