Innovationsreihe: Entmystifizierung des maschinellen Lernens

Dr. Tom Mitchell, ehemaliger Vorsitzender der Abteilung für maschinelles Lernen an der Carnegie Mellon University, bietet in seinem Buch eine elegante Definition des maschinellen Lernens. Er schlägt vor, dass "das Gebiet des maschinellen Lernens sich mit der Frage beschäftigt, wie man Computerprogramme konstruiert, die sich mit der Erfahrung automatisch verbessern" Es gibt heute viele verschiedene Arten des maschinellen Lernens, aber die am häufigsten für Geschäftsanwendungen verwendete ist das überwachte Lernen. Beim überwachten Lernen werden Algorithmen wie lineare und logistische Regressionen und Mehrklassen-Klassifikation verwendet, um eine Reihe von Eingabevariablen (X) zu analysieren und durch eine Abbildungsfunktion ( y=f(x)) eine Ausgabe (Y) zu erzeugen. Die Parallele des überwachten Lernens ist die eines Lehrers und eines Schülers, wobei der Schüler durch den Lehrer in einem bestimmten Thema geschult wird. Überwachtes Lernen setzt voraus, dass die möglichen Ergebnisse des Algorithmus bekannt sind und dass die zum Trainieren des Algorithmus verwendeten Daten mit den richtigen Antworten versehen sind. Die meisten Anwendungen des überwachten maschinellen Lernens umfassen in der Regel die folgenden Schritte:

1. Sammeln des zu bewertenden Datensatzes
2. Extrahieren des Satzes von Parametern und Attributen zur Unterstützung von Vorhersagen
3. Auswahl des Algorithmus für maschinelles Lernen
4. Trainieren des Modells
5. Erstellen von Vorhersagen mit dem eingesetzten Modell
6. Anpassung der Parameter zur Verfeinerung des Modells

Stellen Sie sich vor, Sie arbeiten in der FP&A-Gruppe eines Entwicklers von mobilen Anwendungen und versuchen, die zukünftigen Verkaufszahlen verschiedener mobiler Anwendungen vorherzusagen. Es gibt viele Variablen wie die unterstützte Plattform, den Preis, die weltweite Verfügbarkeit, Online-Kritikerbewertungen und Nutzerrezensionen, die die Rentabilität einer mobilen App beeinflussen können, und hier könnte maschinelles Lernen eingesetzt werden, um den Erfolg vorherzusagen. Alles beginnt mit den verfügbaren Daten, die in einem Modell verwendet werden können. Je mehr Daten zur Verfügung stehen, desto größer ist die Chance für den Algorithmus des maschinellen Lernens, die Korrelation zwischen einer Reihe von Attributen zu ermitteln, um zukünftige Vorhersagen zu verbessern. In der Phase des Modelltrainings wird ein Algorithmus für maschinelles Lernen ausgewählt und zur Auswertung der gesammelten Daten verwendet. In unserem Beispiel würden wir das Modell mit Daten füttern, die ausgewählte Attribute aus einer Gruppe von mobilen Apps enthalten, die Treffer waren, und sie mit den vom Modell vorhergesagten Ergebnissen vergleichen. Die Experimente können mit demselben Datensatz, aber mit verschiedenen Algorithmen für maschinelles Lernen wiederholt werden, um festzustellen, welcher Algorithmus die Ergebnisse am besten vorhersagen kann. Ein Bewertungsmodell wird erstellt, nachdem das anfängliche Modelltraining abgeschlossen ist und wenn wir mit der Wirksamkeit des gewählten Algorithmus zufrieden sind. Das Evaluierungsmodell kann nun zur Erstellung von Vorhersagen eingesetzt werden. Die eigentliche Magie oder der "Lern"-Aspekt besteht darin, dass wir die von unserem Evaluierungsmodell vorhergesagten Werte mit den tatsächlichen Werten vergleichen, die im Laufe der Zeit auftreten. Durch schrittweise Anpassungen können wir die Modellparameter verfeinern, die Auflösung des Datensatzes erhöhen oder verringern, und das Evaluierungsmodell kann die Vorhersagen erneut ausführen, um festzustellen, ob die Anpassungen der Parameter (und/oder Daten) die Vorhersagegenauigkeit verbessert haben. Insgesamt werden Anwendungen des maschinellen Lernens die FP&A-Fähigkeiten erheblich ergänzen und verbessern. Diese Anwendungen werden nicht nur eine effektivere Analyse und präzisere Vorhersagemodelle ermöglichen, sondern auch das Vertrauen in die Prognosen erhöhen. Wenn Sie mehr erfahren möchten, klicken Sie hier.