Maschinelles Lernen erklärt

Maschinelles Lernen heißt hier: Ein Verfahren bekommt Daten und leitet daraus selbst ab, was es braucht. Die elf Linien dieses Bereichs fallen in drei Gruppen: Struktur finden, wo niemand die Antwort vorgibt, vorhersagen, wo Beispiele mit bekannter Antwort vorliegen, und entscheiden, was eine Maßnahme bewirkt.

Jede Linie hat eine eigene Seite mit einem Abhängigkeitsgraphen und ihren Demos. Die Themenfelder unten ordnen die Linien nach Verwandtschaft, der Beziehungsgraph am Ende zeigt, welche Linien sich Bausteine teilen.

Diese Seite gehört zu Algorithmen und Verfahren erklärt. Auf der Suche nach einer Lösung für ein konkretes Problem? Zu den Interaktiven Demos.

Struktur finden

Es gibt keine vorgegebene Antwort: Gruppen, wenige tragende Richtungen oder Auffälliges sollen aus den Daten selbst sichtbar werden.

Vorhersagen

Beispiele mit bekannter Antwort liegen vor, das Verfahren soll sie für Neues vorhersagen: mit Bäumen, Netzen, Graphen oder aus Zeitreihen.

Entscheiden und Wirkung

Nicht nur vorhersagen, sondern handeln: Ein Agent lernt durch Versuch und Irrtum, Experimente trennen die Wirkung einer Maßnahme vom Zufall, und kausale Diagramme sagen, wann sie sich auch ohne Experiment bestimmen lässt.

Empfohlene Reihenfolge

Wer einen Bereich von vorn lesen möchte: Die Reihenfolge folgt den Bausteinen, die eine Linie von einer anderen übernimmt (die Belege stehen auf den Linienseiten unter „Verwandt in anderen Linien“). Alles lässt sich auch einzeln lesen.

1. Neuronale Netze: Das MLP mit Backpropagation ist der Baustein von Autoencoder, Graph Neural Networks und der Netz-Prognose weiter unten.
2. Baumbasierte Verfahren: Random-Tree-Mechanismus und Histogramm-Baumkern: Grundlage von Isolation Forest und Boosting mit Lag-Merkmalen.
3. Clustering: Gruppen ohne Vorgaben; Spectral Clustering und UMAP nutzen dieselbe Laplace-Eigen-Einbettung.
4. Dimensionsreduktion: Von PCA bis UMAP; der Autoencoder setzt das MLP aus dem ersten Schritt ein.
5. Anomalie-Erkennung: Arbeitet mit denselben Lieferrouten-Kennzahlen wie die PCA-Demo und setzt Random Trees (Isolation Forest) und das MLP (Autoencoder, Deep SVDD) ein.
6. Graph Neural Networks: Jedes Stück baut intern ein eigenes MLP; hier kommt die Graph-Mechanik dazu.
7. Zeitreihen-Prognose: Das Boosting mit Lag-Merkmalen ruht auf dem Histogramm-Baumkern der Baumbasierten Linie, die N-BEATS-artige Prognose auf dem MLP.
8. Reinforcement Learning: Lernen durch Versuch und Irrtum; der Bandit ist das Fundament des Bandit-statt-A/B-Tests im nächsten Schritt.
9. Experimente und Wirkungsmessung: Die Wirkung einer Maßnahme vom Zufall trennen; nimmt den Bandit aus dem Schritt davor auf und stellt für die synthetische Kontrolle dieselbe Abdeckungsfrage wie die Prognoseintervalle.
10. Kausale Diagramme und Adjustierung: Wirkung ohne Zuteilung: Hier hat ein Disponent den Faktor vergeben, nicht eine Münze; die Linie nimmt die Welt der Experimente-Linie als Vehikel und fragt, welche Variablen in die Rechnung dürfen.

Wie die Linien dieses Bereichs zusammenhängen

Jede Kante steht für einen belegten Zusammenhang: Ein Verfahren nutzt innen eine Technik der anderen Linie, oder beide gehen dasselbe Problem aus verschiedenen Blickwinkeln an. Die Farbe zeigt das Themenfeld, gestrichelte Kästen sind Linien aus anderen Bereichen, mit denen es Verbindungen gibt. Die jeweilige Linienseite erklärt jeden Zusammenhang unter „Verwandt in anderen Linien“.

Die Kästen sind klickbar und öffnen die jeweilige Seite.

• Struktur finden
• Vorhersagen
• Entscheiden und Wirkung
• Linie eines anderen Bereichs

Weitere Bereiche