Ich versuche es mal so gut es geht für dich zusammenzufassen:

Maschinelles Lernen ist die Konstruktion von Modellen auf der Grundlage bekannter Daten, die das Unbekannte vorhersagen.

• Die Hauptaufgaben des maschinellen Lernens:
• Regression (Vorhersage numerischer Werte von Merkmalen, z.B. Vorhersage zukünftiger Verkaufsvolumina auf der Grundlage bekannter Verkaufsdaten der Vergangenheit);
• Klassifizierung (eine Vorhersage, zu welcher der bekannten Klassen das Objekt gehört, z.B. eine Vorhersage, ob der Kreditnehmer den Kredit zurückzahlen wird, basierend darauf, wie die Kreditnehmer den Kredit in der Vergangenheit zurückgezahlt haben);
• Clustering (Aufteilung einer großen Anzahl von Objekten in Cluster - Klassen, innerhalb derer die Objekte einander ähnlich sind, z.B. Segmentierung des Marktes, Aufteilung aller Konsumenten in Klassen, sodass Enkel von Klassenkonsumenten einander ähnlich sind, und in verschiedenen Klassen - unterschiedlich);
• Suche nach Anomalien (Suche nach seltenen und ungewöhnlichen Objekten, die sich deutlich von der Hauptmasse unterscheiden, z.B. Suche nach betrügerischen Transaktionen).

Beim maschinellen Lernen wird ein mathematisches Modell auf historischen Daten trainiert, um ein Ereignis oder Phänomen auf neuen Daten vorherzusagen.

Für das Training benötigen Sie historische Daten (Trainingsstichprobe) und den Wert der Zielvariablen (was wir vorhersagen), der den gegebenen historischen Daten entspricht. Das Modell beobachtet und findet die Beziehungen zwischen den Daten und der Zielvariablen. Diese Abhängigkeiten werden vom Modell für einen neuen Datensatz verwendet, um eine Zielvariable vorherzusagen, die nicht bekannt ist.

Lassen Sie z.B. wöchentliche Daten mit dem Umsatz für jedes Geschäft in einem Lebensmitteleinzelhandel vorliegen. Wir wollen die Einnahmen für jedes Geschäft für die kommende Woche vorhersagen. Wir wählen die Attribute aus, die die Einnahmen beschreiben können. Zum Beispiel: durchschnittlicher Umsatz und Verkehr in den vergangenen Wochen, Standort des Geschäfts, Saison, Wechselkurs, aktuelle Werbeaktionen usw. Wir zeigen die Modelle diese Daten (Trainingsprozess) in Verbindung mit der uns bekannten Zielvariablen (Einnahmen der Vergangenheit). Nach der Schulung wenden wir das Modell dann auf einen neuen Datensatz an und es prognostiziert die Einnahmen.

Beim Maschinentraining gibt es drei Hauptaufgaben: Klassifikation, Regression und Clustering.

1) Im Falle einer Klassifizierung prognostizieren wir die Klasse (Etikett), zu der dieses Objekt gehört. Beispiel - Prognose des Geschlechts des Klienten. Zu erratender Tag - Mann oder Frau.

2) Im Falle einer Regression sagen wir den genauen numerischen Wert der Zielvariablen voraus. Im obigen Beispiel prognostizieren wir Einnahmen, d.h. wir lösen das Regressionsproblem.

3) Im Falle des Clustering versuchen wir, die gesamte Objektmenge in Klassen zu unterteilen, ohne im Voraus zu wissen, wer zu welcher Klasse gehört. Ein Beispiel für Clustering ist die Marketing-Segmentierung, bei der wir definieren müssen, aus welchen Gruppen sich der Kundenstamm zusammensetzt, um effektiv mit ihnen interagieren und sie gezielt ansprechen zu können.

Maschinelle Lernverfahren sind eine ganze Reihe von Methoden und Algorithmen, die ein Ergebnis aus den Eingabedaten vorhersagen können. Wenn Sie beispielsweise Informationen darüber haben, wie viel eine Sicherheit zu einem bestimmten Zeitpunkt über einen langen Zeitraum wert war, können Algorithmen des maschinellen Lernens vorhersagen, wie viel diese Sicherheit in der Zukunft kosten wird. Es gibt viele Algorithmen des maschinellen Lernens: Einige sind für eine Art von Aufgabe effektiv, während andere für eine andere effektiv sind. Es ist wichtig, maschinelles Lernen, neuronale Netze und künstliche Intelligenz nicht zu verwechseln: Das sind wirklich unterschiedliche Dinge. Künstliche Intelligenz kann nicht nur durch Methoden des maschinellen Lernens vermittelt werden, sondern neben Algorithmen neuronaler Netze gibt es auch klassisches Training und Lernen mit Verstärkung. Es ist schwierig, all dies zu verstehen, aber es lohnt sich :)

Maschinelles Lernen ist ein Versuch, Programmalgorithmen dazu zu zwingen, Aktionen auf der Grundlage früherer Erfahrungen und nicht nur auf der Grundlage verfügbarer Daten durchzuführen. Es gibt verschiedene Arten solchen Lernens, von denen jede für bestimmte Situationen besser geeignet ist.