AI-United » Allgemein » Verstehen des Arbeitsablaufs des maschinellen Lernens durch Essen

Verstehen des Arbeitsablaufs des maschinellen Lernens durch Essen

Verstehen des Arbeitsablaufs des maschinellen Lernens durch Essen

Ja, Sie haben das richtig gelesen: Durch Essen!

Wir alle bestellen ab und zu eine Pizza und kurz danach wird uns diese schöne, heiße und schmackhafte Pizza nach Hause geliefert.

Haben Sie sich irgendwann einmal Gedanken gemacht, welche Abläufe hinter einer solchen uns nach Hause gelieferten Pizza versteckt sind? Wir meinen den vollen Arbeitsablauf, angefangen mit der Aussaat von Getreidesamen und endend mit dem Fahrradfahrer, der an unserer Tür klingelt! In diesem Artikel zeigen wir, dass er dem Arbeitsablauf des maschinellen Lernens sehr ähnlich ist.

Wirklich! Also lassen Sie uns dies überprüfen!

1. Aussaat

Der Landwirt sät die Samen, die zu einigen Zutaten unserer Pizza wachsen werden, wie das Getreide oder die Tomaten.

Dies entspricht dem Datenerstellungsprozess, sei es eine Benutzeraktion wie zum Beispiel Bewegung, Wärme oder Geräusch, das einen Sensor auslöst.

2. Ernten

Wenn das Gemüse oder Obst und die Früchte reif genug sind, kommt die Zeit, zu ernten.

Dies ähnelt dem Sammeln von Daten. Dies bedeutet, dass die Benutzeraktion oder das Ereignis, das den Sensor bewirkt hat, vom Browser oder Sensor in aktuelle Daten umgewandelt wird.

3. Transportieren

Der nächste Schritt nach der Ernte ist das Transportieren der Produkte zu ihrem Bestimmungsort, wo sie als Zutaten für unsere Pizza verwendet werden können.

Dieser Schritt entspricht der Aufnahme der Daten in einen Speicher, von dem aus sie später geholt werden, wie eine Datenbank oder ein Daten-See.

4. Auswahl von Küchenutensilien und -geräten

Für jede Zutat wird das am besten geeignete Küchenutensil verwendet: Zum Schneiden nehmen Sie ein Messer und zum Rühren einen Löffel. Dieselbe Logik betrifft die Küchengeräte: Zum Backen steht Ihnen ein Ofen zur Verfügung, zum Braten ein Herd. Außerdem können Sie auch andere hoch entwickelte Geräte wie beispielsweise eine Mikrowelle mit vielen, vielen Optionen zur Einstellung verwenden.

Das Verwenden eines einfacheren Gerätes scheint manchmal sogar besser zu sein – Ist es Ihnen jemals aufgefallen, wie ein Restaurant für „Pizzen aus der Mikrowelle“ geworben hat?! Mir nicht!

Beim maschinellen Lernen sind Utensilien Methoden zur Datenvorbearbeitung, während die Geräte Algorithmen sind, wie eine lineare Regression oder Random Forest. Unter Verwendung einer Mikrowelle ist tiefes Lernen und unter vielen verfügbaren Optionen sind die Hyperparameter gemeint. In einfachen Geräten gibt es nur wenige Algorithmen, während in einem hoch entwickelten viele, viele mehr vorhanden sind. Außerdem kann keine Garantie dafür gegeben werden, dass ein hoch entwickelter Algorithmus zu einer besseren Leistung führt (oder bevorzugen Sie Pizzen aus der Mikrowelle?!). Es ist also empfehlenswert, die Algorithmen vernünftig auszuwählen.

5. Auswahl eines Rezeptes

Geben Sie zu, dass das Vorhandensein von Zutaten, Utensilien und Geräten noch nicht ausreichend ist. Sie brauchen unbedingt ein Rezept mit allen Schritten, die für Zubereitung Ihres Gerichtes durchgeführt werden müssen.

Dies ist Ihr Modell. Aber nein, Ihr Modell entspricht nicht Ihrem Algorithmus. Ihr Modell enthält alle Vor- und Nachbearbeitungen, die von Ihrem Algorithmus erforderlich sind. Reden wir nun über Vorbearbeitung

6. Vorbereitung von Zutaten

Sie haben wahrscheinlich bemerkt, dass die ersten Anweisungen in fast allen Rezepten sind: „Schneiden Sie dieses“, „Schälen Sie jenes“ und so weiter. Es wird aber nichts darüber gesagt, dass das Gemüse als allererstes gewaschen werden soll, weil dies selbstverständlich ist – niemand isst schmutziges Gemüse, oder?

Das Gleiche kann man für Daten anwenden. Niemand will mit schmutzigen Daten zu tun haben. Sie sind gezwungen, sie zuerst zu reinigen, dies bedeutet fehlende Werte und Ausreißer zu handhaben. Und erst dann müssen Sie sie schälen und schneiden. Damit ist die Vorbearbeitung gemeint, wie beispielsweise Codierung der kategorialen Variablen (männlich oder weiblich) in numerische (0 oder 1).

Unserer Meinung nach ist dieser Teil weder bei Datenwissenschaftlern noch bei Köchen beliebt.

7. Spezielle Vorbereitungen

Wenn Sie aber einen besseren Geschmack oder eine komplexere Darstellung erzielen möchten, dann können Sie mit Ihren Zutaten kreativ werden.

Um Ihrem Steak einen anderen Geschmack zu geben, können Sie es beispielsweise trocken lagern. Oder Sie können eine Karotte in Form einer Blume schnitzen und auf Ihr Gericht legen.

Bei diesem Schritt handelt es sich um Feature Engineering! Er ist sehr wichtig, da er zur erheblichen Verbesserung der Leistung Ihres Modells führen kann, wenn dies auf geschickte Art durchgeführt wird.

Fast jeder Datenwissenschaftler genießt diesen Schritt. Höchstwahrscheinlich machen dies die Köche auch sehr gern.

8. Kochen

Dies ist der grundlegende Schritt, denn es gibt keine Speise ohne tatsächliches Kochen. Dies ist eine Selbstverständlichkeit. Nachdem Sie die vorbereiteten Zutaten in Ihr Küchengerät gegeben haben, stellen Sie die Temperatur ein, warten kurz und prüfen Ihr Gericht erneut.

Das Kochen ist das Training Ihres Modells. Sie sättigen Ihren Algorithmus mit den Daten, stellen die Hyperparameter ein, warten kurz und prüfen es erneut.

9. Kosten

Selbst wenn Sie alle Anweisungen Ihres Rezepts sorgfältig ausführen, haben Sie keine Garantie, dass alles genau richtig ist. Wie können Sie feststellen, ob Sie alles bei der Zubereitung richtig gemacht haben? Sie kosten es! Wenn Ihnen das Gericht nicht gut schmeckt, dann fügen Sie mehr Salz oder Gewürz hinzu, um es zu verbessern. Die Temperatur kann auch geändert werden. Auf jeden Fall kochen Sie weiter!

Leider brennt Ihre Pizza manchmal an oder schmeckt schrecklich, unabhängig davon, was Sie zu Ihrer Rettung unternommen haben. Sie können sie nicht essen und sind gezwungen, sie in den Müll zu werfen, aus Ihren Fehlern zu lernen und von Anfang an zu beginnen.

Hoffentlich werden Sie mit Beharrlichkeit und etwas mehr Glück eine leckere Pizza zubereiten können.

Beim maschinellen Lernen ist das Kosten die Bewertung. Das Modell muss bewertet werden, um zu kontrollieren, ob es in Ordnung ist. Wenn nicht, dann müssen wahrscheinlich weitere Merkmale hinzugefügt werden. Man kann auch einen Hyperparameter ändern. Aber das Training wird weiter durchgeführt!

Leider konvergiert Ihr Modell manchmal nicht zu einer Lösung oder macht schreckliche Vorhersagen, unabhängig davon, was Sie zu seiner Rettung unternommen haben. Sie sind mit Ihrem Modell unzufrieden und sind gezwungen, es abzulehnen, aus Ihren Fehlern zu lernen und von Anfang an zu beginnen.

Hoffentlich werden Sie mit Beharrlichkeit und etwas mehr Glück ein  leistungsstarkes Modell erstellen können.

10. Lieferung

Der Koch hat eine leckere Pizza zubereitet. Seine Arbeit ist also erledigt. Punkt!

Als letztes muss die Pizza schön und pünktlich an den Kunden geliefert werden. Wenn dies nicht passiert, muss die Pizzeria ihr Geschäft aufgeben und den Koch entlassen.

Nachdem die Pizza zubereitet worden ist, ist es notwendig, sie sofort zu verpacken (sie muss warm bleiben) und sorgfältig zu handhaben (sie darf nicht matschig aussehen, wenn sie beim hungrigen Kunden ankommt). Wenn der Radfahrer seine Arbeit schlecht macht, beispielsweise den Kunden nicht erreicht, die Pizza unterwegs verliert oder bis zur Unkenntlichkeit schüttelt, sind die gesamten Kochanstrengungen umsonst gewesen.

Lieferung ist Bereitstellung. Keine Pizzen, sondern Vorhersagen. Es ist erforderlich, Vorhersagen als Datenprodukte wie Pizzen in Kisten zu verpacken. So können sie dann an die interessierten Kunden geliefert werden. Wenn die Pipeline nicht reibungslos funktioniert, beispielsweise ausfällt, unterwegs bricht oder die Vorhersagen auf irgendeine Art ändert, sind dann alle Modelltrainings und -bewertungen vergeblich.


In diesem Artikel wurde maschinelles Lernen mit der Zubereitung von Essen verglichen – am Prozess nehmen mehrere Personen teil und es sind viele Anstrengungen erforderlich, aber das Endergebnis kann sehr lecker sein!

Zum Schluss ein bisschen Essen zum Mitnehmen:

  • Aus schlechten Zutaten wird ein schlechtes Gericht zubereitet – weder ein Rezept noch ein Gerät können dies beheben;
  • Als Koch sollen Sie immer daran denken, dass Ihr Kochen ohne Lieferung vergebens ist, da niemand Ihr leckeres Essen kosten wird.
  • Als Restaurantinhaber versuchen Sie keinesfalls, Ihrem Koch Küchengeräte aufzuzwingen – Mikrowellen sind nicht immer die beste Wahl – und Sie werden einen sehr unglücklichen Koch haben, wenn er gezwungen ist, die ganze Zeit zu waschen und Zutaten zu scheiden

Wenn Sie irgendwelche Anregungen, Kommentare oder Fragen haben, so können Sie sich an das Team von AI-United.de per Mail oder Q&A wenden.

Quelle

AI-United-Redaktion

Kommentar hinzufügen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.