Zum Inhalt springen
DE

Lektion 2 von 8 · 6 Min. · +100 XP

Wie lernen Maschinen aus Beispielen?

Maschinelles Lernen funktioniert so: Ein Computer bekommt viele beschriftete Beispiele, etwa Fotos mit „Katze“ oder „Hund“. Im Training passt er ein Modell so lange an, bis seine Vermutungen zu den Labels passen. Danach wird er mit neuen Beispielen getestet, die er nie gesehen hat. Je vielfältiger die Trainingsdaten, desto besser klappt es in echten Situationen.

▶ Probier es aus

Warum das wichtig ist

Ein Modell weiß nur, was seine Beispiele ihm gezeigt haben. Vielfältige, gut beschriftete Trainingsdaten zählen mehr als noch mehr vom Gleichen.

In 6 Minuten kannst du

  • Maschinelles Lernen = beschriftete Beispiele + Training + Test mit neuen Daten.
  • Vielfältige Trainingsdaten helfen mehr als viel vom Gleichen.
  • Falsche Labels und fehlende Beispiele werden zu falschen Antworten.

Das übst du

  1. Das Rezept

    Jedes Modell beim maschinellen Lernen entsteht auf dieselbe Weise.

    🗂️ Trainingsdaten
    Eine Sammlung von Beispielen, etwa Tausende Tierfotos. Das ist alles, was das Modell je wissen wird.
    🏷️ Labels
    Die richtige Antwort zu jedem Beispiel: „Katze“ oder „Hund“. Meist von Menschen vergeben, darum werden Fehler in Labels zu Fehlern im Modell.
    ⚙️ Training
    Das Modell rät, wird mit dem Label verglichen und passt sich an, immer wieder, bis seine Vermutungen meistens stimmen.
    🧪 Test
    Zum Schluss wird es mit neuen Beispielen getestet, die es nie gesehen hat. So zeigt sich, ob es das Muster gelernt oder nur die Fotos auswendig gelernt hat.

  2. Trainier ein Mini-Modell

    Wähl bis zu 5 Trainingsfotos und drück auf Trainieren. Getestet wird das Modell mit 5 neuen Fotos.

    Katze · Hund

    Trainingsbeispiele
    • Rot getigerte Katze auf dem Sofa → Katze
    • Noch eine rot getigerte, schlafend → Katze
    • Schwarze Katze in einem dunklen Zimmer → Katze
    • Winziges Kätzchen mit großen Augen → Katze
    • Graue Katze von hinten → Katze
    • Großer goldener Hund auf der Wiese → Hund
    • Noch ein großer goldener Hund, rennend → Hund
    • Kleiner flauschiger Hund auf dem Schoß → Hund
    • Welpe kaut auf einem Schuh → Hund
    • Hund steht im Schnee → Hund
    Testfälle
    • Eine schwarze Katze bei Nacht → Katze
      Keine dunkle Katze im Training, also hat das Modell nie gelernt, dass Katzen so aussehen können.
    • Ein Kätzchen im Korb → Katze
      Kätzchen sehen anders aus als erwachsene Katzen. Ohne Kätzchen-Beispiel hatte das Modell keinen Anhaltspunkt.
    • Ein großer Hund im Park → Hund
      Das Modell hat nie einen großen Hund gesehen, also verband es diese Form nicht mit „Hund“.
    • Ein winziger Hund in einer Handtasche → Hund
      Kleine Hunde verwechselt ein Modell leicht mit Katzen, wenn es nur große gesehen hat.
    • Ein Husky im tiefen Schnee → Hund
      Ein verschneiter Hintergrund war neu für das Modell. Vielfältige Umgebungen zählen, nicht nur verschiedene Tiere.

  3. Was hast du gelernt?

    1. Noor kann 1.000 weitere Fotos hinzufügen. Welche helfen dem Modell am meisten?

      • 1.000 vielfältige Fotos: alle Größen, Farben, Alter und Orte (Antwort)
      • 1.000 weitere Fotos von rot getigerten Katzen

    2. Das Modell schafft 100 % bei seinen Trainingsfotos, aber schlecht bei neuen. Was ist passiert?

      • Es hat die Beispiele auswendig gelernt statt das Muster (Antwort)
      • Die neuen Fotos müssen falsch beschriftet sein

    3. Ein Helfer hat aus Versehen einige Hunde als „Katze“ beschriftet. Was bewirkt das?

      • Das Modell lernt diese Fehler mit (Antwort)
      • Nichts, das Modell bemerkt die Fehler

Merk dir

Ein Modell ist nur so gut wie seine Beispiele. Vielfalt schlägt Masse.

Die wichtigsten Fakten

  • In einem Aufsatz von 1959 beschrieb der Informatiker Arthur Samuel ein Dame-Programm, das lernte, besser zu spielen als sein Programmierer, ein früher Meilenstein des maschinellen Lernens. · Quelle: A. L. Samuel, Some Studies in Machine Learning Using the Game of Checkers, IBM Journal of Research and Development, 1959
  • Das ImageNet-Projekt, dessen beschriftete Fotos den heutigen Deep-Learning-Boom mit anstießen, beschrieb in seinem ersten Paper 3,2 Millionen Bilder, die von Crowdworkern online beschriftet wurden. · Quelle: Deng et al., ImageNet: A Large-Scale Hierarchical Image Database, CVPR 2009
  • Der klassische Handschrift-Datensatz MNIST teilt seine Bilder in 60.000 zum Training und 10.000 zum Testen, damit Modelle an Ziffern gemessen werden, die sie nie gesehen haben. · Quelle: LeCun, Bottou, Bengio & Haffner, Gradient-Based Learning Applied to Document Recognition, Proceedings of the IEEE, 1998
  • Ein Modell mit Beispielen zu testen, die es im Training nie gesehen hat, ist der Standardweg, um zu prüfen, ob es ein allgemeines Muster gelernt oder nur seine Trainingsdaten auswendig gelernt hat.

Aktualisiert:

Häufige Fragen

Was sind Trainingsdaten?

Trainingsdaten sind die Beispiele, aus denen ein Modell lernt, etwa beschriftete Fotos, Texte oder Aufnahmen. Das Modell kann nur Muster lernen, die in diesen Daten vorkommen.

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen?

Beim überwachten Lernen hat jedes Beispiel die richtige Antwort dabei, ein Label wie „Katze“. Beim unüberwachten Lernen gibt es keine Labels, und das Modell sucht selbst nach Gruppen oder Strukturen in den Daten.

Wie viele Daten braucht maschinelles Lernen?

Das hängt von der Aufgabe ab. Einfache Aufgaben klappen mit Hunderten Beispielen, große Modelle nutzen Milliarden. Vielfalt und richtige Labels zählen oft genauso viel wie die Menge.

Was ist Overfitting?

Overfitting (Überanpassung) heißt: Ein Modell lernt seine Trainingsbeispiele auswendig statt des allgemeinen Musters. Im Training wirkt es perfekt, bei neuen Daten schneidet es schlecht ab.

Verwandte Begriffe