Thomas Gunn WW2 Pazifik RS037 Aussie Trinken von MIB Canteen MIB von 597863

Veröffentlicht am 21. Juni 2017 von

Mit AutoML hat Google jüngst einen Ansatz vorgestellt, der die Entwicklung von Anwendungen maschinellen Lernens vereinfachen und optimieren soll, und zwar mithilfe von maschinellem Lernen.

Hierbei erstellt ein erster Machine-Learning-Algorithmus einen Vorschlag zu Architektur und Konfiguration des zu entwickelnden zweiten Machine-Learning-Algorithmus und erprobt diesen. Anhand der Performance dieses Vorschlages lernt wiederrum der übergeordnete Algorithmus, Controller genannt, welche Konzepte und Konfiguration zu einer besseren Performance des zu entwickelnden Algorithmus führen. Aus dieser Erfahrung kann nun der Controller neue Vorschläge zu Architektur und Konfiguration des zweiten Algorithmus machen und diese erneut analysieren.

Und der Ansatz scheint Früchte zu tragen: Google schreibt in dem betreffenden Eintrag seines Research-Blogs , dass mit diesem Ansatz Algorithmen zur Bilderkennung erstellt werden konnten, die sich mit, von menschlichen Experten konzeptionierten Algorithmen messen können.

Thomas Gunn WW2 Pazifik RS037 Aussie Trinken von MIB Canteen MIB von 597863

Maschinen die lernen, wie Maschinen lernen. Hat Google nun damit die technologische Singularität erschaffen? Also den Zeitpunkt ab dem die technologische Weiterentwicklung durch sich selbst verbessernde Maschinen nicht mehr menschlich fassbar ist? Wahrscheinlich nicht, und wenn doch haben wir es zumindest noch nicht bemerkt.

Doch die Idee hinter dem Konzept der Staffelung solcher Algorithmen ist sehr naheliegend. Vor allem vielschichtige, künstliche neuronale Netze sind eine sehr komplexe Ausprägung maschinellen Lernens. Sie werden stark durch ihre Hyperparameter definiert, also die Variablen, die Konfiguration und die Logik des Machine-Learning-Algorithmus selbst beschreiben, ohne dabei dessen inhaltliche Aufgabe zu berühren. Doch auch diese sind komplex, oft viele an der Zahl und kompliziert verknüpft. Also genau die Art Input, die sich mit Machine-Learning-Algorithmen hervorragend analysieren lässt.

Machine Learning wird aus einem einfachen Grund immer bekannter und beliebter: Die Einsatzmöglichkeiten sind schier endlos. Es lässt sich von einfachen Smartphone Apps über Analysesysteme für riesige Datensätze der Finanzbrache fast universell integrieren.
Mit dieser Blogserie möchte ich dem interessierten Leser grundlegende Funktionsweise, interessante Anwendungen und  aktuelle Entwicklungen aus der faszinierenden Disziplin des Machine Learning näher bringen und beleuchten wo sich  Requirements Engineering und Machine Learning überschneiden, verbinden lassen oder vielleicht sogar ersetzen. Werden Maschinen auch bald von uns RElern lernen? Oder vielleicht sogar anders herum?

Und was genau definiert überhaupt maschinelles Lernen, wenn schon der Begriff des Lernens selbst gar nicht so einfach abzugrenzen ist?

Der amerikanische Informatiker Tom Mitchell, Leiter des Departments Machine Learning der Carnegie Mellon Universität, formulierte 1997 in seinem Buch „Machine Learning“ die vielzitierte Definition:

„A computer program is said to learn from experience E with respect to some class of task T and performance measure P if its performance at tasks in T as measured by P, improves with experience E.“

Frei übersetzt bedeutet dies: Ein Computerprogramm lernt aus Erfahrung E im Lösen von Aufgaben eines Types T, wenn seine Performance P im Lösen dieser Aufgaben vom Typ T mit zunehmender Erfahrung E steigt.

Um dies zu bewirken muss sich die Maschine, oder das Programm also selbst  im Lösen ihrer Aufgabe verbessern können. Ihr Erschaffer definiert nun nicht mehr den Weg zur Lösung der Aufgabe,sondern die Regeln, nach denen der Algorithmus diesen Weg finden soll.

Ein einfaches Beispiel wäre beispielsweise die Vorhersage von Variablen B anhand von Variablen A: Die Maschine sagt eine Variablenmenge B anhand von einer Variablenmenge A voraus, ändert die Parameter ihres Vorhersage-Algorithmus und wiederholt den Prozess. Je nachdem ob durch die Veränderung nun eine Verbesserung oder Verschlechterung der Vorhersagequalität bewirkt wurde, kann die Maschine nun ihre Vorhersageparameter erneut anpassen. Der Vorteil maschinellen Lernens hier ist, dass (abhängig vom Ausmaß der zu analysierenden Daten) dieser Vorgang,meist in geringer Zeitspanne extrem oft wiederholt werden kann, bis die Ergebnisqualität einem gewünschten Standard entspricht, während ein Mensch nach dem zehnten Sturz vom Skateboard wohlmwahrscheinlich sogar die Lust verliert.

Artikelzustand:
Neu: Neuer, unbenutzter und unbeschädigter Artikel in der ungeöffneten Verpackung (soweit eine Verpackung ... Mehr zum Thema Zustand
Marke: Thomas Gunn Miniatures
UPC: 603305818495 Größe: 1/30
Soldatentypen: WW2 AUSTRALISCHER Land: HONG KONG
Herstellernummer: RS037 Jahr: 2016
Herstellungsland und -region: Hongkong Material: ZINN
EAN: Nicht zutreffend

Dies stellt natürlich nur ein stark verkürztes Beispiel zur Funktionsweise von Machine Learning dar, doch das evolutionäre Konzept von Veränderung und Beibehalten von Bewährtem ist ein Grundbaustein dieser Disziplin.

In den nächsten Teilen dieser Blogserie werde ich näher auf Funktionsweise, Logik  und Kategorien eingehen, vor allem aber werde ich die Thematik betrachten, wo es Schnittstellen zwischen Requirements Engineering und Machine Learning gibt, wo diese Disziplinen sich überschneiden oder komplettieren und wie die Entwicklung maschinellen Lernens auch unseren Job als Requirements Engineers prägen und verändern könnte.

2002 W.O.H. Wehrmacht General 1/6 scale Figure,Action Force/GI Joe Joecon Exclusive Operation Anaconda Lady JayLucifer Wings Of Fallen Blood Fury Clothes & Head 1/6 Fit for Phicen Female Body,Hasbro G.I. JoE WW11 E.T.O. MILITARY POLICEMAN FIGURE HASBRO 1999,K182172 DREADNOK TRI-CYCLE W/ DECALS 1987 GI JOE COBRA 100% COMPLETE VINTAGE,LEGO Certified Renault Sport Formula One RS 17 Exclusive Limitée Technocentre1/6 scale Hot Toys Guardians of the Galaxy Vol. 2 Star-Lord LED Light-Up Masked,Femelle Body Phicen squeleton 1/6 Figure LIVRAISON AU 31 JANVIER 19,Mega Bloks FGV05 Buildand Learn Table,G.I Joe COBRA COMMANDER hooded and helmet versions 100% complete w filecards,Veryhot VH 1040 US Navy Seal Halo Udt Jumper Camo Dry Suit Version 1/6 Figure,Mega Construx Halo Fireteam Osiris spartan Blau team lot,Attila le Hun avec cheval figurine 1/6Clone Trooper Jek STAR WARS Legacy Collection The Clone Wars TCW CW38 2,VINTAGE ACTION MAN BASIC SOLDIER PALITOY 1964 WITH 40TH HANDS4,Elite Force WWII 21st Panzer Division Gunner Corporal Franz Hass 1:6 FigureVINTAGE BRUNETTE FUZZY HAIR FIGURE Grün JUMPSUIT OUTFIT 1960S GI JOE DOLL GUN,1/6 DRAGON GERMAN WEHRMACHT HEER MG-34 GUNNER P-38 SPLINTER CAMO BBI DID 21 WW2Lego CMF Series 15. 16 And 18, 89 Figures New Includes Series 18 PolicemanAss 1/6 Mike Force“ Baron ” Us Mobile Strike Force Commend Vietnam 13032 USAGI Joe 1964 1960s Figure TM Brunette GUMMY SEMI SOFT HEAD,GI Joe expert team TAKARA JAPAN Arctic Trooper Snow Job vintage figure,Mini-Box Elementarphysik, Mechanik der festen Körper, Vertreiber Cornelsen, gebr,LYRA 72 Groove Triple 1 Stifte Farbstifte Buntstifte Aquarell- & Wachsmalstift,NEW Lego Star Wars 10186 General Grievous UCS New SEALED HTF,Marco, Italian Infantry WW2 by Twisting toysWWII German Reiterregiment 2 1935 Rozan Stubbendorf 1/6th Scale Figure By DID,ACTION MAN 40TH Nostalgic Collection FIGURE WITH SKI PATROL OUTFIT CB32542,LEGO City Jungle Air Drop Helicopter 60162 (1250 PCS) NEW SEALEDBarbie Puppe Collector´s Diva Collection All that glitters OVP 2002,

Und zu guter Letzt freue ich mich, meinen eigenen Kurzvortrag zum Thema „Machine-Learning & RE – Doch wer lernt von wem?“ auf den SOPHIST DAYS 2017 anzukündigen, vielleicht lernt man sich dort ja sogar kennen!

Mega Bloks Halo Heroes Series 2 Complete set of 6 - NIB SEALED,