Seit der Erfindung des Personal Computers und des Internets werden statistische Probleme immer komplexer und größer. Die Datenmengen erfordern neue effiziente Strukturen zum Speichern und Auffinden der Informationen.
Maschinelles Lernen (Machine Learning oder Statistical Learning) bedeutet in diesem Kontext relevante und signifikante Muster und Trends aus den Daten zu extrahieren um die Daten “zu verstehen”. Dabei spielen Computer und deren wachsende Rechenpower eine immer größere Rolle. Sie haben die klassische angewandte Statistik revolutioniert und es sind vor allem Ingenieure und Informatiker, die die Weiterentwicklung der Disziplin heutzutage vorantreiben.1
Im Maschinellen Lernen steht insbesondere die Vorhersagekraft und Generalisierbarkeit von statistischen Methoden und Algorithmen im Vordergrund. Ziel ist es, möglichst gute Prognosen, beispielsweise bei der Gesichtserkennung, zu machen. Die klassische Statistik dagegen ist stärker an den kausalen Zusammenhängen und der Stärke von signifikanten Einflüssen einzelner Faktoren auf ein Resultat interessiert.
Teachable Machine von Google ermöglicht das Trainieren von Machine Learning Modellen im eigenen Web-Browser ohne das Programmiercode geschrieben werden muss. Somit wird das Grundprinzip des Maschinellen Lernens auch ohne Vorkenntnisse erfahrbar und man bekommt ein gutes Gespür für die Möglichkeiten und Grenzen der Methode. Experimentieren Sie zum Beispiel mit dem Bild-Klassifikator.
Maschinelles Lernen und die angewandte Statistik besitzen große Überschneidungen und beide Gebiete bauen auf Erkenntnissen der Wahrscheinlichkeitstheorie auf. Machine Learning ist dabei auch ein Teilgebiet der Künstlichen Intelligenz, die als die Automatisierung von intellektuelle Aufgaben, die normalerweise von Menschen durchgeführt werden verstanden wird.2
KI kann auch allein mit durch Programmierer fest eingebauten Regeln entstehen. Diese Regeln legen fest, wie eine Eingabe (z.B Pixelwerte eines Bilds oder die Anzahl der gestrigen Sonnenstunden) in eine Ausgabe (Wahrscheinlichkeit für ein Katzenbild oder heutige Regenwahrscheinlichkeit) transformiert wird. Damit diese Art der KI erfolgreich ist, braucht es ein großes Vorwissen und spezielle Expertise. Algorithmen des Maschinellen Lernens werden hingegen trainiert, d.h. sie lernen selbstständig die optimalen Regeln,die von einer Eingabe zu einer Ausgabe schließen lassen. Damit diese Transformation Erfolg hat benötigt das System viele Beispiele, für die die Ausgabe bekannt ist, um von diesen zu lernen.2