Einige Grundlagen des maschinellen Lernens

Im Folgenden sollen einige wichtige mathematische Bausteine des maschinellen Lernens (englisch: machine learning, deep learning) dargelegt und diskutiert werden. Unter „deep learning“ versteht man eine spezielle Form des maschinellen Lernens (ML). Landauf, landab wird bei Anwendungen des ML wie selbstverständlich mit frei verfügbaren Bibliotheken wie etwa Keras oder Tensorflow gearbeitet. Dabei werden neuronale Netze aufgebaut, trainiert und benutzt. Vorbild der neuronalen Netze ist das menschliche Gehirn und dessen Neuronen. Da es sich bei dem Themenfeld „maschinelles Lernen“ um ein sehr umfangreiches, nahezu unübersichtliches Gebiet handelt, das in vielen Fachdisziplinen diskutiert und angewendet wird, kann es sich in diesem Kapitel des Lehrbuchs nur um einen kleinen Überblick handeln. An einigen einfachen, instruktiven Beispielen sollen wichtige mathematische Aspekte des maschinellen Lernens erläutert werden. Als Ausgangspunkt der Entwicklung von neuronalen Netzen kann man das Perzeptron, das vom englischen Begriff perception (auf deutsch Wahrnehmung) herrührt, verstehen. Es wurde zuerst von Frank Rosenblatt 1957 vorgestellt und besteht in der Grundversion (einfaches Perzeptron) aus einem einzelnen künstlichen Neuron. Der Begriff Perzeptron wird auch heute bei wesentlich komplexeren neuronalen Netzwerken verwendet. Statt des ursprünglich eingeführten Begriff Perzeptron wird meistens der Begriff des Neurons verwendet.