4.4.4 Allgemeines Training neuronaler Netze - NerimanK/Cloud-Computing-Technology---Google-Home GitHub Wiki

Es gibt verschiedene Lernverfahren zum Klassifizieren durch Neuronale Netze. Die Mehrheit des praktischen maschinellen Lernens verwendet überwachtes Ler-nen. Beim überwachten Lernen haben Sie Eingabevariablen (x) und eine Ausgabe-variable (Y), und Sie verwenden einen Algorithmus, um die Mapping-Funktion von der Eingabe bis zur Ausgabe zu lernen.

Y = f(x)

Ziel ist es, die Abbildungsfunktion so gut anzunähern, dass Sie mit neuen Eingabe-daten (x) die Ausgabevariablen (Y) für diese Daten vorhersagen können.

Es wird als beaufsichtigtes Lernen bezeichnet, da der Prozess eines Algorithmus, der aus dem Trainingsdatensatz lernt, als Lehrer betrachtet werden kann, der den Lernprozess überwacht. Wir kennen die richtigen Antworten, der Algorithmus macht iterativ Vorhersagen über die Trainingsdaten und wird vom Lehrer korrigiert. Das Lernen endet, wenn der Algorithmus ein akzeptables Leistungsniveau erreicht.

Überwachte Lernprobleme können weiter in Regressions- und Klassifikationsprobleme eingeteilt werden. Klassifizierung: Ein Klassifizierungsproblem liegt vor, wenn die Ausgabevariable eine Kategorie ist, z. B. "rot" oder "blau" oder "Krankheit" und "keine Krankheit"

Regression: Ein Regressionsproblem liegt vor, wenn die Ausgabevariable ein reel-ler Wert ist, beispielsweise "Dollar" oder "Gewicht"

Zu den häufigsten Arten von Problemen, die auf Klassifizierung und Regression basieren, gehören die Vorhersage von Empfehlungen bzw. Zeitreihen.

Unüberwachtes lernen haben nur Eingabedaten (X) und keine entsprechenden Ausgangsvariablen. Ziel des unbeaufsichtigten Lernens ist es, die zugrunde liegen-de Struktur oder Verteilung in den Daten zu modellieren, um mehr über die Daten zu erfahren.

Dies wird als unbeaufsichtigtes Lernen bezeichnet, da im Gegensatz zum über-wachten Lernen oben keine richtigen Antworten und kein Lehrer vorhanden ist. Algorithmen sind ihren eigenen Entwürfen überlassen, um die interessante Struktur in den Daten zu entdecken und darzustellen.

Unüberwachte Lernprobleme können weiter in Cluster- und Assoziierungsprobleme eingeteilt werden (vgl. Litzel, 2018)

Clustering: Ein Clustering-Problem besteht darin, dass Sie die in den Daten enthaltenen Gruppierungen ermitteln möchten, z. B. das Gruppieren von Kunden nach Einkaufsverhalten.

Assoziation: Ein Lernproblem für Assoziationsregeln ist der Punkt, an dem Sie Regeln finden möchten, die große Teile Ihrer Daten beschreiben, z.B. wenn Pers-nen, die X kaufen, auch Y kaufen.

Einige beliebte Beispiele für unbeaufsichtigte Lernalgorithmen sind:

• k-means für Clusterprobleme

• Apriori-Algorithmus für Lernprobleme mit Assoziationsregeln