Grundlagen des maschinellen Lernens erklärt
Ein Beispiel mit linearer Regression veranschaulicht die Prinzipien maschinellen Lernens. Sie brauchen dafĂĽr nur etwas Python und die Bibliothek Scikit-Learn.
Maschinelles Lernen ist eine tolle und nützliche Sache: Es löst Aufgaben, die man mit klassischem Programmieren nur schwer oder gar nicht bewältigen kann. Ein ML-Programm mit vielen Daten gefüttert, "Modell" genannt, bedarf jedoch viel Liebe und Aufmerksamkeit, damit es irgendwann (hoffentlich) treffende Ausgaben ausspucken kann.
Es reicht leider nicht aus, Unmengen an Daten in ein Modell hineinzustopfen, in der Hoffnung, bessere Vorhersagen zu erhalten. Man muss Daten vorbereiten, eventuell bereinigen und dann dem richtigen Modell für den geforderten Anwendungszweck übergeben. Je nach Modell – denn es gibt sehr viele davon – kann das Trainieren mit den Daten mitunter sehr rechenaufwendig ausfallen.
Aber das muss erst mal nicht Ihre Sorge sein, denn in diesem Artikel vermitteln wir Ihnen anhand eines simplen Machine-Learning-Projekts die Grundlagen. Sie erfahren, wie man Daten auswertet, bereinigt, vorbereitet und mit ihnen schließlich ein Modell trainiert. Die gewonnenen Erkenntnisse können Sie anschließend auf jedes andere Projekt übertragen. Als anschauliches Beispiel verwenden wir als Modell eine lineare Regression, mit der Sie später Vorhersagen zu Immobilienpreisen in New York treffen werden.
Das war die Leseprobe unseres heise-Plus-Artikels "Grundlagen des maschinellen Lernens erklärt". Mit einem heise-Plus-Abo können sie den ganzen Artikel lesen und anhören.