Überwachtes Lernen, auch bekannt als überwachtes maschinelles Lernen, ist eine Unterkategorie des maschinellen Lernens und der künstlichen Intelligenz. Es zeichnet sich dadurch aus, dass es markierte Datensätze verwendet, um Algorithmen zu trainieren, die Daten klassifizieren oder Ergebnisse korrekt vorhersagen können. Während die Eingabedaten in das Modell eingespeist werden, passt es seine Gewichtungen an, bis das Modell angemessen angepasst ist, was als Teil des Kreuzvalidierungsverfahrens erfolgt. Überwachtes Lernen hilft Unternehmen bei der Lösung einer Vielzahl von realen Problemen in großem Umfang, z. B. bei der Klassifizierung von Spam in einem separaten Ordner für den Posteingang.
Watson Studio
SPSS Statistics
Beim überwachten Lernen wird ein Trainingsdatensatz verwendet, um Modelle so zu trainieren, dass sie die gewünschte Ausgabe liefern. Dieser Trainingsdatensatz enthält Eingaben und korrekte Ausgaben, die es dem Modell ermöglichen, mit der Zeit zu lernen. Der Algorithmus misst seine Genauigkeit anhand der Verlustfunktion und passt sich an, bis der Fehler ausreichend minimiert ist.
Das überwachte Lernen kann beim Data-Mining in zwei Arten von Problemen unterteilt werden – Klassifizierung und Regression:
Bei überwachten maschinellen Lernprozessen werden verschiedene Algorithmen und Berechnungstechniken eingesetzt. Nachfolgend finden Sie kurze Erläuterungen zu einigen der am häufigsten verwendeten Lernmethoden, die in der Regel mit Programmen wie R oder Python berechnet werden:
Unüberwachtes maschinelles Lernen und überwachtes maschinelles Lernen werden häufig gemeinsam diskutiert. Im Gegensatz zum überwachten Lernen werden beim unüberwachten Lernen unmarkierte Daten verwendet. Anhand dieser Daten lassen sich Muster erkennen, die bei der Lösung von Clustering- oder Zuordnungsproblemen helfen. Dies ist besonders nützlich, wenn Experten sich über gemeinsame Eigenschaften innerhalb eines Datensatzes unsicher sind. Gängige Clustering-Algorithmen sind hierarchische, k-Means- und Gaußsche Mischmodelle.
Beim halb-überwachten Lernen wird nur ein Teil der gegebenen Eingabedaten gekennzeichnet. Unüberwachtes und halb-überwachtes Lernen können attraktivere Alternativen sein, da es zeitaufwendig und kostspielig sein kann, sich auf Fachwissen zu verlassen, um Daten für überwachtes Lernen angemessen zu kennzeichnen.
Wenn Sie mehr über die Unterschiede zwischen diesen Ansätzen erfahren möchten, sehen Sie sich „Supervised vs. Unsupervised Learning: What's the Difference?“ an.
Modelle des überwachten Lernens können zum Aufbau und zur Weiterentwicklung einer Reihe von Geschäftsanwendungen verwendet werden, darunter die folgenden:
Obwohl das überwachte Lernen Unternehmen Vorteile bieten kann, wie z. B. tiefe Dateneinblicke und verbesserte Automation, gibt es einige Herausforderungen beim Aufbau nachhaltiger überwachter Lernmodelle. Im Folgenden werden einige dieser Herausforderungen beschrieben:
Erstellen und skalieren Sie vertrauenswürdige KI in jeder Cloud. Automatisieren Sie den KI-Lebenszyklus für ModelOps.
Verbinden Sie die richtigen Daten zur richtigen Zeit mit den richtigen Personen – von überall, wo sie benötigt werden.
Hybrid. Offen. Ausfallsicher. Ihre Plattform und Ihr Partner für digitale Transformation.
In diesem Artikel werden die Grundlagen zweier Ansätze der Datenwissenschaft untersucht: überwacht und unüberwacht.
Erkunden Sie einige Ansätze zum überwachten Lernen wie Support Vector Machines und probabilistische Klassifikatoren