Kostenlos testen
Beliebt Neu Genres Autoren
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Suche läuft...
SoBrief
The Master Algorithm

The Master Algorithm

Könnte ein einziges Lernsystem jedes Problem lösen, wenn selbst Daten Annahmen brauchen, um Sinn zu ergeben?
von Pedro Domingos 2015 352 Seiten
3.73
6.000+ Bewertungen
Anhören
Immersiv
V2.3
Amazon Kindle Audible
3 Tage Vollzugriff testen
Schalten Sie Audioinhalte & mehr frei!
Weiter

Wichtigste Erkenntnisse

Lass Daten Computern Regeln beibringen, die Menschen nicht zuverlässig von Hand aufschreiben können.

Lernen verändert das Programmieren. Ein herkömmliches Programm gibt einem Computer ausdrückliche Anweisungen. Ein lernendes System verwendet stattdessen Beispiele und manchmal gewünschte Ergebnisse, um ein Modell zu erstellen, das Eingaben auf Ausgaben abbildet. Dieser Unterschied ist überall dort von Bedeutung, wo Regeln zu zahlreich oder zu schwierig zu formulieren sind. Menschen können zum Beispiel Auto fahren oder Handschrift erkennen, ohne jeden einzelnen Schritt beschreiben zu können; ein lernendes System kann aus Beispielen nützliche Verfahren ableiten.

Beispiele gibt es bereits überall. Das Buch verweist auf Spamfilter, Suchmaschinen-Rankings, Produktempfehlungen und Autos, die lernen, auf der Straße zu bleiben. Dieselbe Lernmethode kann ganz unterschiedlichen Aufgaben dienen, wenn sie mit unterschiedlichen Daten versorgt wird. Damit wird maschinelles Lernen zu einer Möglichkeit, nicht nur Arbeit, sondern auch Teile des Prozesses der Softwareentwicklung zu automatisieren.

Analyse

Der Wandel besteht darin, nicht mehr eine Lösung zu kodieren, sondern eine Aufgabe zu definieren und Belege bereitzustellen. Das verändert, wer nützliche Systeme entwickeln kann: Fachleute können Beispiele beisteuern, auch wenn sie die Lösung nicht programmieren können. Es verändert auch, wo Fehler entstehen. Eine von Hand kodierte Regel lässt sich unmittelbar prüfen, während ein gelerntes Modell von seinen Trainingsbeispielen, seinem Entwurf und dem Maßstab abhängt, an dem sein Erfolg gemessen wird. Die eindrucksvolle Behauptung des Buches, Computer könnten Fähigkeiten erlernen, die Menschen nicht erklären können, ist überzeugend; doch aus Beispielen zu lernen bedeutet nicht, ohne menschliche Entscheidungen zu lernen.

Ein Master-Algorithmus würde das Lernen vereinheitlichen, doch endliche Daten erfordern immer Annahmen.

Der vereinheitlichende Anspruch. Domingos entwirft einen hypothetischen universell einsetzbaren Lernalgorithmus, den Master-Algorithmus, der Wissen aus Daten über verschiedene Fachgebiete hinweg ableiten könnte. Es handelt sich um ein Forschungsziel, nicht um eine Maschine, von der das Buch behauptet, sie existiere bereits. Veranschaulicht wird dieser Anspruch anhand einer personalisierten Krebsbehandlung: Die Suche nach einem wirksamen Medikament könnte erfordern, Tumormutationen, die Krankengeschichte einer Person, die Wirkung von Medikamenten und biologisches Wissen zusammenzuführen, über das keine einzelne Ärztin und kein einzelner Arzt vollständig verfügen kann.

Universalität hat einen Haken. Ein lernendes System kann möglicherweise jede beliebige Funktion approximieren, wenn es mit genügend Daten versorgt wird; diese Datenmenge kann jedoch unendlich sein. Bei endlichen Daten muss es Annahmen darüber treffen, welche Muster plausibel sind. Ein universell einsetzbares lernendes System bräuchte daher eine Möglichkeit, Daten mit Annahmen zu verbinden und dabei für viele verschiedene Arten von Problemen nützlich zu bleiben.

Analyse

Der Master-Algorithmus ist als Kompass für die Forschung wertvoll, auch wenn keine einzelne Methode das Ziel erreicht. Er wirft die Frage auf, ob erfolgreiche Ansätze einen erlernbaren Kern gemeinsam haben, statt jede Anwendung als eigenständiges Entwicklungsprojekt zu behandeln. Das Krebsbeispiel macht den Anspruch konkret: Auf die Integration kommt es ebenso an wie auf die Vorhersage. Doch „alles Wissen“ ist eine sehr weitreichende Behauptung. Ein lernendes System kann nur ableiten, was sich mit seinen Repräsentationen und Belegen ausdrücken lässt; manche Entdeckungen erfordern Experimente, die noch nicht durchgeführt wurden.

Lege Annahmen offen, denn Daten allein können Vergangenheit und Zukunft nicht unterscheiden.

Das Induktionsproblem. Humes Induktionsproblem fragt, warum bereits gemachte Beobachtungen Vorhersagen über noch nicht beobachtete Fälle rechtfertigen. Das Buch veranschaulicht es mit einer Person, die die Antwort eines Freundes auf die Einladung zu einem Date vorhersagen möchte. Mehrere verschiedene Regeln können die wenigen bisherigen Ja- und Nein-Antworten erklären, doch sie sagen unterschiedliche Antworten für heute Abend voraus. Mehr Daten helfen, können aber weder einen unbeobachteten Faktor noch eine Veränderung der Umstände ausschließen.

Kein kostenloses Mittagessen. Wolperts Theorem gibt dieser Schwierigkeit eine mathematische Form: Über alle möglichen Welten gemittelt ist kein lernendes System besser als zufälliges Raten. Ein lernendes System ist in unserer Welt erfolgreich, weil es Annahmen trifft, die zu ihr passen. Diese Annahmen können Vorwissen, die Struktur eines Modells oder eine Vorliebe für bestimmte Muster sein. Daten sprechen nicht für sich selbst; beim Lernen werden Belege durch eine bestimmte Linse interpretiert.

Analyse

Das ist ein nützliches Gegenmittel zur Vorstellung, große Datensätze würden automatisch objektive Antworten liefern. Jedes Modell bevorzugt bestimmte Regelmäßigkeiten gegenüber anderen, selbst wenn seine Entwicklerinnen und Entwickler versuchen, neutral zu bleiben. Diese Festlegungen sichtbar zu machen, kann sowohl die wissenschaftliche Prüfung als auch die öffentliche Rechenschaftspflicht verbessern. Doch explizite Annahmen werden dadurch nicht richtig. Sie müssen weiterhin geprüft, überarbeitet und mit Alternativen verglichen werden – insbesondere dann, wenn die Kosten einer falschen Vorhersage verschiedene Menschen ungleich treffen.

Prüfe Vorhersagen an unbekannten Fällen, bevor du dem beeindruckenden Anpassungsergebnis eines Modells vertraust.

Eine gute Anpassung kann täuschen. Überanpassung tritt auf, wenn ein lernendes System in seinen Trainingsbeispielen Muster findet, die in der Welt nicht gelten. Ein Modell kann zu jedem Beispiel passen und dennoch schlechte Vorhersagen machen. Das Buch berichtet von einem Panzererkennungssystem, das bei Trainings- und Testbildern perfekt zu funktionieren schien, in Wirklichkeit aber helle von dunklen Bildern unterscheiden gelernt hatte – nicht Panzer von anderen Fahrzeugen. Der Hintergrund der Bilder hatte unbeabsichtigt eine Abkürzung geliefert.

Belege zurückhalten. Eine praktische Prüfung besteht darin, die verfügbaren Daten in einen Trainingsdatensatz und einen zurückgehaltenen Testdatensatz aufzuteilen. Das lernende System sieht den ersten; der zweite ermöglicht eine weniger verzerrte Einschätzung seiner Leistung bei neuen Fällen. Modelle können auch aufgrund übermäßiger Starrheit, also Bias, oder übermäßiger Empfindlichkeit gegenüber der Trainingsstichprobe, also Varianz, versagen. Flexiblere Modelle können Ersteres verringern und zugleich Letzteres verschlimmern.

Analyse

Das Panzerbeispiel erfasst eine allgemeine Gefahr: Ein Modell kann eine Korrelation ausnutzen, die in einem Datensatz Vorhersagekraft besitzt, für die eigentliche Fragestellung aber unerheblich ist. Tests mit zurückgehaltenen Daten sind unverzichtbar, bieten jedoch keine Garantie. Ein Testdatensatz kann denselben verborgenen Fehler aufweisen wie die Trainingsdaten, und die Bedingungen in der realen Welt können sich nach der Auswertung ändern. Vertrauen hängt daher nicht nur von einem Messwert ab, sondern auch davon, wie die Daten erhoben wurden, welche Fehler wichtig sind und ob die Leistung in den Situationen anhält, in denen Entscheidungen getroffen werden.

Nutze Logik, Gehirne, Evolution, Wahrscheinlichkeit und Analogien: Jede dieser Perspektiven erkennt andere Muster.

Fünf Forschungstraditionen. Domingos ordnet das maschinelle Lernen in fünf „Stämme“, die jeweils einen anderen Weg zum Lernen verfolgen. Symbolisten verwenden Logik und inverse Deduktion, um aus Fakten Regeln abzuleiten. Konnektionisten passen Netzwerke künstlicher Neuronen mithilfe von Backpropagation an. Evolutionäre Ansätze durchsuchen mithilfe von Mutation und genetischen Algorithmen mögliche Programme. Bayes-Ansätze aktualisieren Wahrscheinlichkeiten, sobald neue Belege eintreffen. Analogieverfahren nutzen Ähnlichkeit, etwa bei Nächster-Nachbar-Verfahren und Support-Vektor-Maschinen.

Jeder Ansatz löst einen Teil des Rätsels. Logik kann Vorwissen einbeziehen, hat aber mit Mehrdeutigkeit zu kämpfen. Neuronale Netze lernen komplexe Muster, doch ihre Schlussfolgerungen sind mitunter schwer zu deuten. Wahrscheinlichkeit hilft beim Umgang mit Unsicherheit, während Analogien Erkenntnisse aus ähnlichen Fällen übertragen können. Evolutionäre Verfahren durchsuchen mögliche Strukturen. Der Punkt des Buches ist nicht, dass ein Stamm gewinnt, sondern dass ein umfassend lernendes System möglicherweise Stärken vereinen muss, die sich in diesen Ansätzen getrennt voneinander entwickelt haben.

Analyse

Diese Einteilung in fünf Ansätze macht ein zersplittertes Forschungsfeld verständlicher und ermutigt Forschende, Ideen über intellektuelle Grenzen hinweg zu übernehmen. Zugleich wirkt sie einem Denken in nur einer Methode entgegen: Ein System, das Bilder gut vorhersagt, muss Beziehungen oder Unsicherheit nicht unbedingt gut verarbeiten. Dennoch sind die Traditionen keine beliebig austauschbaren Zutaten. Ihre Annahmen, ihr Rechenaufwand und ihre Erfolgsmaßstäbe unterscheiden sich. Sie zu kombinieren erfordert Entscheidungen darüber, was sich darstellen lässt, welche Belege zählen und wie Konflikte gelöst werden – nicht bloß, Algorithmen nebeneinanderzustellen.

Vereinheitliche lernende Systeme, indem du kombinierst, was sie darstellen, bewerten und durchsuchen.

Drei Entwurfsentscheidungen. Jedes lernende System braucht eine Repräsentation möglicher Modelle, ein Bewertungsmaß für deren Beurteilung und einen Optimierer, der nach ihnen sucht. Ein regelbasiertes lernendes System repräsentiert Wissen in logischer Form; ein neuronales Netz verwendet verknüpfte Einheiten; eine Support-Vektor-Maschine nutzt ausgewählte Beispiele und deren Ähnlichkeiten. Auch ihre Bewertungsmaßstäbe und Suchverfahren unterscheiden sich. Anhand dieser gemeinsamen Bestandteile zeigt das Buch, wie sich die Ansätze vergleichen und kombinieren lassen könnten.

Eine vorgeschlagene Brücke. Markov-Logik-Netzwerke, kurz MLNs, verbinden logische Formeln mit Gewichtungen. Die Logik liefert ausdrucksstarke Beziehungen, während die Gewichtungen es erlauben, eine Formel als mehr oder weniger wahrscheinlich statt schlicht als wahr oder falsch zu behandeln. Domingos’ System Alchemy setzt diesen Ansatz als möglichen Vereinheitlicher um. Es wird nicht als fertiger Master-Algorithmus dargestellt: Seine Skalierung und eine einfachere Bedienbarkeit bleiben Herausforderungen.

Analyse

Die Perspektive aus Repräsentation, Bewertung und Optimierung ist praktisch, weil sie die Frage „Welcher Algorithmus ist geeignet?“ in präzisere Fragen aufteilt. Kann das Modell die relevanten Beziehungen ausdrücken? Entspricht seine Bewertung dem tatsächlichen Ziel? Kann die Suche mit den verfügbaren Ressourcen eine brauchbare Lösung finden? MLNs begegnen der echten Kluft zwischen eindeutigen Regeln und unsicheren Belegen. Doch eine größere Ausdruckskraft kann den Rechenaufwand erhöhen und Systeme schwerer überprüfbar machen. Vereinheitlichung ist daher ein Kompromiss, keine kostenlose Verbesserung.

Lass Maschinen Strukturen entdecken und aus den Folgen ihrer Handlungen lernen.

Lernen ohne Kennzeichnungen. Vieles Lernen beginnt, ohne dass jemand jedes Beispiel mit der richtigen Antwort versieht. Clustering gruppiert ähnliche Beobachtungen; Dimensionsreduktion verdichtet viele gemessene Merkmale zu einer kleineren Zahl aussagekräftiger Dimensionen. Der Erwartungs-Maximierungs-Algorithmus, kurz EM, wechselt zwischen der Schätzung verborgener Gruppenzugehörigkeiten und der Verbesserung des Modells für jede Gruppe. Das ist nützlich, wenn die Daten Strukturen enthalten, aber keine ausdrücklichen Kennzeichnungen.

Lernen durch Handeln. Bestärkendes Lernen verbessert Verhalten anhand von Belohnungen und Strafen, auch wenn die Belohnung erst lange nach der Handlung eintrifft. Arthur Samuels Damespielprogramm lernte, Brettstellungen zu bewerten, und nutzte diese Schätzungen anschließend, um Züge auszuwählen; durch das Spielen wurde es immer besser. Anders als ein überwachtes lernendes System, dem in jedem Schritt die richtige Antwort vorgegeben wird, muss ein System für bestärkendes Lernen experimentieren, Folgen entdecken und abwägen, ob es neue Handlungen ausprobieren oder vielversprechende wiederholen soll.

Analyse

Diese Methoden erweitern das Bild des Lernens über das bloße Einprägen gekennzeichneter Beispiele hinaus. Clustering entdeckt Ordnungen in Beobachtungen, während bestärkendes Lernen Verhalten mit verzögerten Folgen verknüpft. Zusammengenommen zeigen sie, warum Interaktion etwas lehren kann, was sich durch passives Beobachten nicht lernen lässt: Handlungen machen sichtbar, wie die Umwelt reagiert. Doch Erkundung hat ihren Preis. Ein Damespielprogramm kann sich Fehler leisten; ein medizinisches System oder ein Roboter in der Nähe von Menschen kann nicht leichtfertig experimentieren. Die Folgen des Ausprobierens müssen bestimmen, wie viel Autonomie einem lernenden System eingeräumt wird.

Modelliere Beziehungen, denn Einfluss und biologische Funktion finden sich selten in isolierten Datensätzen.

Von Zeilen zu Netzwerken. Viele Vorhersageverfahren behandeln Beispiele als voneinander getrennte Datensätze. Relationales Lernen stellt stattdessen Entitäten und ihre Verbindungen dar und nutzt wiederkehrende Beziehungsmuster, um Vorhersagen zu treffen. Wenn sich Grippe über Freundschaften verbreitet, sind Informationen über erkrankte Kontakte ein Hinweis darauf, ob auch eine bestimmte Person erkrankt ist. Ein Muster wie „Freunde infizierter Personen könnten ebenfalls infiziert sein“ lässt sich auf viele Paare anwenden, ohne für jedes Paar eine eigene Regel zu lernen.

Warum das wichtig ist. Derselbe Ansatz kann Verbindungen zwischen Menschen, Webseiten, Genen, Proteinen und chemischen Prozessen modellieren. Das Buch beschreibt, wie Netzwerkdaten genutzt werden können, um einflussreiche Mitglieder einer Produktbewertungsgemeinschaft zu identifizieren. Außerdem vertritt es die Ansicht, dass sich eine lebende Zelle nur verstehen lässt, wenn die Wechselwirkungen zwischen Genen und Molekülen modelliert werden, statt lediglich isolierte Korrelationen zu messen. Beziehungen können Vorhersageinformationen enthalten, die einzelne Merkmale nicht erfassen.

Analyse

Relationale Modelle erkennen an, dass soziale und biologische Systeme keine Ansammlungen unabhängiger Fälle sind. Ihre Struktur kann erklären, warum sich ein Muster ausbreitet, wiederholt oder verändert, wenn sich ein Teil des Netzwerks ändert. Diese Perspektive ist besonders nützlich, wenn es nur wenige Kennzeichnungen gibt, denn verbundene Beobachtungen können einander indirekte Hinweise liefern. Wichtig ist jedoch: Ein Zusammenhang in einem Netzwerk beweist für sich allein weder Einfluss noch Ursache. Die Beziehungen im Modell müssen sorgfältig interpretiert werden, und Kausalbehauptungen können Belege erfordern, die über beobachtete Verbindungen hinausgehen.

Behalte die Kontrolle über deine Datenspur, bevor Algorithmen sie zum Druckmittel für andere machen.

Daten bringen das System zum Lernen. Jede Interaktion kann sowohl einem unmittelbaren Zweck dienen als auch Informationen über die Person liefern, die das System nutzt. Das Buch beschreibt, wie der Wahlkampf von Barack Obama 2012 Wählerdaten zusammenführte und jede Nacht 66.000 Wahlsimulationen durchführte, um Anrufe, Besuche und Botschaften auszurichten. Im Handel nutzen Empfehlungssysteme angesammelte Verhaltensdaten, um zu beeinflussen, was Kundinnen und Kunden zu sehen bekommen; die daraus entstehenden Entscheidungen liefern wiederum mehr Daten für künftige Vorhersagen.

Zugang bedeutet Macht. Domingos argumentiert, dass Menschen die Modelle, die aus ihren Daten erstellt werden, verstehen und kontrollieren sowie von ihnen profitieren können sollten. Er stellt sich persönliche Datendienste oder Datenverbände vor, die Erfahrungen zusammenführen und zugleich die Interessen Einzelner schützen. Außerdem spricht er sich dafür aus, Daten weiterzugeben, wenn sie anderen helfen können – etwa wenn Krebspatientinnen und -patienten Angaben zu ihren Behandlungen beisteuern. Die Herausforderung besteht darin, Daten zum kollektiven Nutzen weiterzugeben, ohne die Kontrolle Organisationen mit anderen Anreizen zu überlassen.

Analyse

Das Beispiel des Wahlkampfs zeigt, dass Vorhersagen nicht bloß beschreiben: Sie können mitbestimmen, wen man kontaktiert, was man sagt und wo man seine Bemühungen konzentriert. Der Zugang zu Daten beeinflusst daher nicht nur die Bequemlichkeit, sondern auch die Einflussmöglichkeiten. Die vorgeschlagenen Datengenossenschaften und -verbände bieten eine institutionelle Antwort, statt sich auf Ratschläge an einzelne Nutzerinnen und Nutzer zu beschränken. Ihr Potenzial hängt von glaubwürdiger Kontrolle ab: Eine Organisation, der intime Daten anvertraut werden, könnte selbst zu einer mächtigen Vermittlerin werden. Kontrolle muss wirksame Grenzen für die Nutzung einschließen und darf nicht bei einem Versprechen wohlwollender Behandlung stehen bleiben.

Verbinde menschliche Fachkenntnis mit Algorithmen und prüfe anschließend die Ziele, auf die sie optimiert werden.

Arbeit verändert sich nicht überall gleich. Das Buch argumentiert, dass eng umrissene Aufgaben leichter zu automatisieren sein können als Berufe, die einen breiten Kontext erfordern. Algorithmen können Kreditanträge bewerten oder Produkte empfehlen, während die Orientierung in der physischen Welt und Urteilsvermögen in ungewohnten Situationen schwierig bleiben. Statt Automatisierung nur als Wettstreit zu betrachten, empfiehlt Domingos, menschliche Fachkenntnis mit maschinellen Fähigkeiten zu verbinden – wie bei den „Zentauren“-Schachspielern, die Mensch und Programm gemeinsam einsetzen.

Ziele sind entscheidend. Ein lernendes System optimiert die vorgegebene Bewertungsgröße, nicht unbedingt das Ergebnis, das Menschen tatsächlich wollen. Ein Empfehlungssystem kann immer wieder Produkte vorschlagen, die einem kürzlich gekauften Artikel ähneln, obwohl die Kundin oder der Kunde gar keine weiteren davon braucht. Der Autor sieht in dieser Diskrepanz – nicht im Ehrgeiz der Maschinen – ein zentrales Risiko. Menschen müssen Ziele sorgfältig festlegen und überprüfen, ob die Systeme ihnen in der Praxis tatsächlich dienen.

Analyse

Die Vorstellung „Mensch mit Maschine“ ist hilfreicher als eine einfache Erzählung vom Ersatz, weil sie den Blick auf die Gestaltung von Aufgaben lenkt: Welche Teile lassen sich wiederholen, und welche erfordern Urteilsvermögen, Kontext oder Rechenschaftspflicht? Die Warnung vor ungeeigneten Zielen reicht über den technischen Entwurf hinaus. Ein scheinbar erfolgreiches Modell kann dennoch schädliche Folgen haben, wenn seine Bewertungsgröße den falschen Ersatzmaßstab belohnt. Menschliche Aufsicht hilft nur, wenn Menschen die Entscheidung verstehen, sie anfechten und die Anreize verändern können, die zu ihr geführt haben.

Analyse

Der zentrale Beitrag des Buches ist konzeptioneller Art: Es macht maschinelles Lernen als eine Familie von Methoden verständlich, die aus Daten Modelle ableiten, und fragt dann, ob ihre gemeinsame Struktur eine allgemeine Lerntheorie ermöglichen kann. Die Darstellung führt von alltäglichen Anwendungen über Humes Herausforderung der Induktion und die fünf Forschungstraditionen bis hin zu Markov-Logik-Netzwerken als möglicher Synthese. Der rote Faden lautet: Daten wirken nie allein. Repräsentation, Vorannahmen, Bewertung und Suche bestimmen, was ein lernendes System entdecken kann.

Dieses Argument ist nachhaltiger als das wörtliche Versprechen eines einzelnen Algorithmus, der alles Wissen ableiten könnte. Die fünf Traditionen bieten nicht einfach austauschbare Tricks. Sie kodieren unterschiedliche Möglichkeiten, ein Problem zu definieren, und ihre Kombination kann ein System ausdrucksstärker machen, zugleich aber den Rechenaufwand und die Schwierigkeiten der Interpretation erhöhen. Das Buch räumt dies teilweise ein, indem es Alchemy als unvollständig beschreibt; bisweilen reicht sein großer Anspruch jedoch weiter als die Belege für Universalität. Ein vereinheitlichender Rahmen kann die Forschung leiten, ohne zu beweisen, dass sich jede Art von Wissen auf ein einziges praktikables Verfahren zurückführen lässt.

Die stärkste praktische Lehre lautet deshalb nicht, auf eine universelle Maschine zu warten. Vielmehr sollte man fragen, welche Annahmen ein eingesetztes lernendes System trifft, ob seine Bewertung das tatsächliche Ziel widerspiegelt und ob seine Leistung sich auch bei unbekannten Fällen bewährt. Diese Fragen verknüpfen technische Qualität mit institutioneller Verantwortung. Suchmaschinen, Wahlkampfinstrumente, medizinische Modelle und Empfehlungssysteme sagen nicht nur etwas voraus; sie beeinflussen auch, welche Möglichkeiten sichtbar werden und welchen Handlungen Aufmerksamkeit zuteilwird. Maschinelles Lernen zu verstehen ist daher ebenso eine Form politischer wie technischer Bildung. Am überzeugendsten ist der Zukunftsentwurf des Buches, wenn er den Blick auf Entscheidungen lenkt, die Menschen schon jetzt treffen können: welche Daten erhoben werden, worauf optimiert wird und wer das Ergebnis prüfen darf.

Zusammenfassung in 30 Sekunden
Maschinelles Lernen erstellt Modelle aus Beispielen, doch endliche Daten können nicht vorgeben, wie sich unbekannte Fälle verhalten werden: Jeder Lerner hängt von Annahmen ab. Gute Ergebnisse beim Training können eine Überanpassung verbergen; deshalb müssen Vorhersagen anhand zurückgehaltener Beispiele getestet werden. Lernansätze greifen auf Logik, neuronale Netzwerke, Evolution, Wahrscheinlichkeit und Analogien zurück und weisen unterschiedliche Stärken auf. Systeme können auch aus unbeschrifteten Daten, Belohnungen und Beziehungen lernen. Ihre Ergebnisse hängen von den Zielen ab, die sie optimieren. Daher sind menschliche Aufsicht, sorgfältige Bewertung und Kontrolle über personenbezogene Daten unerlässlich.
Enthält Spoiler

Zuletzt aktualisiert:

Problem melden

Rezensionsübersicht

3.73 von 5
Durchschnitt von 6.000+ Bewertungen von Goodreads und Amazon.

The Master Algorithm wird unterschiedlich bewertet und für den umfassenden Überblick über Ansätze des maschinellen Lernens sowie die verständlichen Erklärungen für Laien gelobt. Viele Leser fanden das Buch informativ und anregend, insbesondere die Ausführungen zu den möglichen Auswirkungen von KI auf die Gesellschaft. Einige kritisierten jedoch, dass es stellenweise zu technisch, repetitiv oder in bestimmten Bereichen nicht tiefgründig genug sei. Die optimistische Sicht des Autors auf die Zukunft der KI und sein Vorschlag eines einheitlichen Lernalgorithmus stießen bei den Lesern sowohl auf Interesse als auch auf Skepsis.

Ihre Bewertung:
4.26
429 Bewertungen
Möchten Sie das vollständige Buch lesen?

Glossar

Master-Algorithmus

hypothetischer universeller Lerner

Domingos’ Bezeichnung für einen hypothetischen Lernalgorithmus für allgemeine Zwecke, der mithilfe von Annahmen und Vorwissen viele Arten von Wissen aus Daten ableiten könnte. Das Buch stellt ihn als Forschungsziel dar, nicht als fertige Technologie. Sein vorgeschlagener Wert liegt in der Vereinheitlichung: Ein Lernrahmen könnte helfen, Probleme zu erklären und zu lösen, die heute mit getrennten Methoden angegangen werden.

No-Free-Lunch-Theorem

kein universell bester Lerner

Ein Ergebnis, dem zufolge im Durchschnitt über alle möglichen daten erzeugenden Welten kein Lernalgorithmus besser abschneidet als zufälliges Raten. Ein Lerner hat in einer bestimmten Welt Erfolg, weil seine Annahmen zu dieser Welt passen. Praktisch bedeutet das: Daten allein können nicht bestimmen, wie verallgemeinert werden soll; die eingebauten Präferenzen und das Vorwissen des Modells spielen eine Rolle.

Überanpassung

Eigenheiten der Stichprobe mit Mustern verwechseln

Der Fehler, Muster zu lernen, die zu den Trainingsdaten passen, sich aber nicht auf neue Fälle übertragen lassen. Ein Modell kann ungewöhnliche Einzelheiten, Rauschen oder zufällige Korrelationen auswendig lernen und bei bereits gesehenen Beispielen sehr genau wirken. Tests mit zurückgehaltenen Daten helfen, dies zu erkennen; Fehler bei der Datenerhebung oder veränderte Bedingungen können jedoch weiterhin irreführen.

inverse Deduktion

Regeln aus Schlussfolgerungen ableiten

Eine symbolistische Lernmethode, die von Fakten und Schlussfolgerungen rückwärts arbeitet, um Regeln vorzuschlagen, aus denen sich die Schlussfolgerungen ableiten ließen. Statt nur aus einzelnen Beispielen zu lernen, kann sie vorhandene Regeln und Kenntnisse nutzen, um Lücken im Schlussfolgern zu schließen. Ihre Ausdruckskraft ist nützlich, doch die Suche unter möglichen Regeln kann rechnerisch schwierig und anfällig für Rauschen sein.

Backpropagation

Netzwerkgewichte anhand des Fehlers anpassen

Eine Methode zum Trainieren eines mehrschichtigen neuronalen Netzwerks. Sie vergleicht die Ausgabe des Netzwerks mit der gewünschten Ausgabe, leitet ein Fehlersignal rückwärts durch das Netzwerk und passt die Verbindungsgewichte an, um künftige Fehler zu verringern. So können Netzwerke komplexe Muster lernen, die ein einzelnes Perzeptron nicht darstellen kann; die Optimierung kann jedoch schwierig sein, und die gelernten Modelle sind möglicherweise schwer zu interpretieren.

Markov-Logik-Netzwerk

gewichtete logische Regeln

Ein Modell, das logische Formeln mit Gewichten verbindet, die angeben, wie stark jede Formel tendenziell gilt. Auf eine Menge von Entitäten angewandt, erzeugen seine Formeln Merkmale für mögliche Zustände, und die Gewichte bestimmen deren relative Wahrscheinlichkeiten. Es kann unsichere Beziehungen darstellen und zugleich die Fähigkeit der Logik bewahren, allgemeine Regeln zwischen mehreren Entitäten zu beschreiben.

Erwartungs-Maximierungs-Algorithmus

mit verborgenen Informationen lernen

Ein iteratives Verfahren zur Schätzung eines statistischen Modells, wenn einige Informationen fehlen, etwa die Gruppenzugehörigkeit von Beobachtungen. Es wechselt zwischen der Schätzung der wahrscheinlichen verborgenen Zuordnungen und der Aktualisierung der Modellparameter anhand dieser Schätzungen. Jede Runde verbessert die Likelihood des Modells, bis das Verfahren ein lokales Maximum erreicht.

bestärkendes Lernen

aus Handlungen und Belohnungen lernen

Ein Lernansatz, bei dem ein Agent mit einer Umgebung interagiert, die Folgen seiner Handlungen beobachtet und künftige Belohnungen zu erhöhen versucht. Rückmeldungen können erst lange nach einer Handlung eintreffen. Daher schätzt der Lerner den Wert von Zuständen und Handlungen, nicht nur unmittelbare Ergebnisse. Er muss abwägen, ob er unbekannte Möglichkeiten erkundet oder Handlungen wiederholt, die bereits vielversprechend wirken.

relationales Lernen

Muster zwischen verbundenen Entitäten lernen

Eine Familie von Methoden, die aus Daten lernt, welche als Netzwerke von Entitäten und Beziehungen statt als unabhängige Datensätze dargestellt sind. Wiederverwendbare Beziehungsmuster können Vorhersagen für viele Menschen, Objekte oder biologische Komponenten ermöglichen. Da verbundene Entitäten einander indirekte Hinweise liefern, kann relationales Lernen spärliche Beschriftungen nutzen und Interaktionsmuster modellieren.

Support-Vektor-Maschine

Klassifikator mit maximalem Abstand

Eine auf Ähnlichkeiten beruhende Lernmethode, die Beispiele klassifiziert, indem sie eine Entscheidungsgrenze mit dem größtmöglichen Abstand zwischen den Klassen findet. Die Grenze wird durch eine Teilmenge der Trainingsbeispiele bestimmt, die Stützvektoren genannt werden. Mit einem geeigneten Kernel kann die Methode gekrümmte Grenzen darstellen, indem sie die Daten so behandelt, als wären sie in einen höherdimensionalen Raum abgebildet.

Fluch der Dimensionalität

Lernschwierigkeit durch zahlreiche Merkmale

Der rasche Anstieg des Daten- und Rechenaufwands mit zunehmender Zahl gemessener Merkmale. In hochdimensionalen Räumen werden Beispiele spärlich, und gewöhnliche Vorstellungen von Abstand und Ähnlichkeit können versagen. Irrelevante Merkmale können nützliche Ähnlichkeiten verschleiern, während selbst relevante Merkmale wesentlich mehr Trainingsbeispiele erfordern können, um zuverlässige Muster zu lernen.

FAQ

Worum geht es in The Master Algorithm?

  • Erkundung des maschinellen Lernens: The Master Algorithm von Pedro Domingos untersucht das Konzept eines universellen Lernalgorithmus, der aus jedem Datensatz Wissen ableiten kann.
  • Fünf Lernstämme: Das Buch unterteilt maschinelles Lernen in fünf Hauptströmungen: Symbolisten, Konnektionisten, Evolutionäre, Bayesianer und Analogiker, die jeweils einen eigenen Ansatz verfolgen.
  • Anwendungen in der realen Welt: Das Buch veranschaulicht, wie maschinelles Lernen verschiedene Lebensbereiche beeinflusst – von Online-Empfehlungen bis zu medizinischen Diagnosen.

Warum sollte ich The Master Algorithm lesen?

  • Maschinelles Lernen verstehen: Das Buch bietet eine verständliche Einführung in Konzepte des maschinellen Lernens, die sich sowohl an technische als auch an nichttechnische Leser richtet.
  • Zukünftige Auswirkungen: Es erörtert die mögliche Zukunft des maschinellen Lernens und dessen gesellschaftliche Folgen und hilft Lesern, sich in der digitalen Welt zurechtzufinden.
  • Inspiration für Innovatoren: Domingos ermutigt die Leser, kritisch über Algorithmen nachzudenken und einen Beitrag zum Bereich des maschinellen Lernens in Betracht zu ziehen.

Was sind die wichtigsten Erkenntnisse aus The Master Algorithm?

  • Suche nach einem universellen Algorithmus: Das zentrale Thema ist die Suche nach einem „Master-Algorithmus“, der aus beliebigen Daten lernen und jedes Problem lösen kann.
  • Verknüpfung von Lernansätzen: Das Buch betont, wie wichtig es ist, die Stärken der fünf Stämme zu vereinen, um einen leistungsfähigeren Algorithmus zu schaffen.
  • Auswirkungen in der realen Welt: Es hebt hervor, wie maschinelles Lernen Branchen und den Alltag verändert, und betont, dass diese Veränderungen verstanden werden müssen.

Was sind die besten Zitate aus The Master Algorithm und was bedeuten sie?

  • „Man kann nicht kontrollieren, was man nicht versteht.“: Betont, wie wichtig es ist, Algorithmen des maschinellen Lernens zu verstehen, da sie Entscheidungsprozesse beeinflussen.
  • „Maschinelles Lernen ist etwas Neues unter der Sonne: eine Technologie, die sich selbst aufbaut.“: Hebt das transformative Potenzial des maschinellen Lernens hervor, bei dem Algorithmen neue Algorithmen hervorbringen können.
  • „Alles Wissen – vergangenes, gegenwärtiges und zukünftiges – kann durch einen einzigen universellen Lernalgorithmus aus Daten abgeleitet werden.“: Legt nahe, dass ein Master-Algorithmus riesige Wissensmengen erschließen könnte.

Welche fünf Stämme des maschinellen Lernens werden in The Master Algorithm behandelt?

  • Symbolisten: Konzentrieren sich auf die Verarbeitung von Symbolen und logisches Schlussfolgern und verwenden inverse Deduktion als ihren Master-Algorithmus.
  • Konnektionisten: Verwenden vom Aufbau des Gehirns inspirierte neuronale Netzwerke; Backpropagation ist ihr Master-Algorithmus.
  • Evolutionäre: Wenden die Prinzipien der natürlichen Selektion an und entwickeln Lösungen im Lauf der Zeit mithilfe genetischer Programmierung weiter.
  • Bayesianer: Betonen probabilistisches Schlussfolgern, verwenden Bayes’sche Netzwerke, um Beziehungen zu modellieren und Überzeugungen zu aktualisieren.
  • Analogiker: Lernen, indem sie Ähnlichkeiten zwischen Fällen finden, häufig mit Algorithmen für die nächsten Nachbarn.

Wie definiert The Master Algorithm den Begriff Master-Algorithmus?

  • Universeller Lerner: Als einzelner Algorithmus gedacht, der aus jeder Art von Daten lernen und jedes Lernproblem lösen kann.
  • Methoden kombinieren: Nutzt verschiedene Lerntechniken, etwa genetische Algorithmen und Gradientenabstieg, um sich an unterschiedliche Kontexte anzupassen.
  • Anwendungen in der realen Welt: Hätte weitreichende Folgen für Bereiche wie Gesundheitswesen, Finanzwesen und Bildung und könnte zu besseren Entscheidungen führen.

Wie steht The Master Algorithm mit Anwendungen in der realen Welt in Zusammenhang?

  • Innovationen im Gesundheitswesen: Maschinelles Lernen kann medizinische Diagnosen und Behandlungspläne verbessern, indem Patientendaten analysiert werden.
  • Effizientere Unternehmen: Unternehmen nutzen maschinelles Lernen, um Abläufe zu optimieren, Kundenpräferenzen vorherzusagen und das Lieferkettenmanagement zu verbessern.
  • Personalisierung in der Technologie: Algorithmen ermöglichen personalisierte Empfehlungen auf Plattformen wie Netflix und Amazon und passen Inhalte an individuelle Vorlieben an.

Was ist Humes Induktionsproblem, wie es in The Master Algorithm beschrieben wird?

  • Herausforderung der Verallgemeinerung: Es fragt, wie sich die Verallgemeinerung von beobachteten auf unbeobachtete Fälle rechtfertigen lässt.
  • Bedeutung für das Lernen: Das Problem ist zentral für maschinelles Lernen, da Algorithmen von Trainingsdaten auf neue Daten verallgemeinern müssen, um Vorhersagen zu treffen.
  • Notwendigkeit von Wissen: Effektives Lernen erfordert Vorwissen, das den Induktionsprozess leitet und falsche Verallgemeinerungen vermeidet.

Welche Bedeutung hat der Satz von Bayes in The Master Algorithm?

  • Grundlage des bayesschen Lernens: Er bietet einen Rahmen, um Überzeugungen anhand neuer Belege zu aktualisieren, und ist für bayessches maschinelles Lernen zentral.
  • Praktische Anwendungen: Er wird bei medizinischen Diagnosen und Spamfiltern eingesetzt, um Belege zu kombinieren und fundierte Vorhersagen zu treffen.
  • Verbindung zum Master-Algorithmus: Domingos argumentiert, dass der Master-Algorithmus bayessche Prinzipien einbeziehen muss, um effektiv zu lernen.

Wie behandelt The Master Algorithm das Dilemma zwischen Erkunden und Ausnutzen?

  • Abwägung von Strategien: Es geht darum zu entscheiden, ob neue Möglichkeiten erkundet oder bekannte genutzt werden sollen, um optimale Lernergebnisse zu erzielen.
  • Genetische Algorithmen als Lösung: Sie erkunden mehrere Hypothesen gleichzeitig und ermöglichen so eine effiziente Suche nach optimalen Lösungen.
  • Auswirkungen in der realen Welt: Das ist entscheidend für die Entwicklung von Algorithmen, die sich an veränderliche Umgebungen anpassen und die bestmöglichen Entscheidungen treffen.

Welche Rolle spielt Dimensionsreduktion beim maschinellen Lernen, wie in The Master Algorithm erörtert?

  • Daten vereinfachen: Techniken wie die Hauptkomponentenanalyse (PCA) reduzieren die Zahl der Variablen und bewahren zugleich wesentliche Informationen.
  • Leistung verbessern: Die Konzentration auf wichtige Dimensionen hilft Algorithmen, besser und schneller zu arbeiten und Überanpassung zu mindern.
  • Anwendungen in verschiedenen Bereichen: Sie wird in der Bildverarbeitung, der Verarbeitung natürlicher Sprache und der Bioinformatik zur effizienten Datenanalyse eingesetzt.

Welche Einschränkungen hat der Master-Algorithmus?

  • Abhängigkeit von der Datenqualität: Die Wirksamkeit hängt von Qualität und Umfang der verfügbaren Daten ab; mangelhafte Daten bergen das Risiko ungenauer Vorhersagen.
  • Komplexität realer Probleme: Bei Aufgaben, die ein tiefes kontextuelles Verständnis oder differenziertes Schlussfolgern erfordern, kann er Schwierigkeiten haben.
  • Ethische Erwägungen: Mit zunehmender Leistungsfähigkeit von Algorithmen des maschinellen Lernens wachsen auch die Bedenken hinsichtlich Verzerrungen und verantwortungsvoller Entwicklung.

Über den Autor

Pedro Domingos ist Professor für Informatik an der University of Washington und ein führender Experte für maschinelles Lernen. Er hat mehrere Auszeichnungen im Bereich Data Science erhalten, darunter den renommierten SIGKDD Innovation Award. Domingos studierte am Instituto Superior Técnico in Lissabon, Portugal. Bekannt für seine Arbeit zur Vereinheitlichung verschiedener Ansätze des maschinellen Lernens, hat er maßgeblich zur Entwicklung des Markov-Logik-Netzwerks beigetragen. Domingos ist dafür bekannt, komplexe Konzepte verständlich zu erklären, und ist ein beliebter Autor und Redner zu künstlicher Intelligenz und ihren möglichen Auswirkungen auf die Gesellschaft.

PDF herunterladen

Lade das kostenlose PDF herunter, um die Zusammenfassung von The Master Algorithm für später zu speichern. Du kannst es ausdrucken oder offline lesen, wann immer du möchtest.
Download PDF

EPUB herunterladen

Lade das kostenlose EPUB herunter, um die Zusammenfassung von The Master Algorithm auf deinem E-Reader oder in einer Lese-App zu lesen. Das digitale Buchformat .epub eignet sich ideal zum Lesen auf Smartphones, Tablets und E-Readern.
Download EPUB
Möchten Sie das vollständige Buch lesen?
Folgen
Anhören
Start
Swipe
Biblio
App
3 Tage Vollzugriff testen
Anhören, speichern und mehr
Funktionen vergleichen Kostenlos Pro
📖 Zusammenfassungen lesen
Unbegrenzt Zusammenfassungen lesen. Kostenlose Nutzer erhalten 3 pro Monat
🎧 Zusammenfassungen anhören
Unbegrenzt Zusammenfassungen in 40 Sprachen anhören
—
❤️ Unbegrenzte Lesezeichen
Kostenlose Nutzer sind auf 4 begrenzt
—
📜 Unbegrenzter Verlauf
Kostenlose Nutzer sind auf 4 begrenzt
—
📥 Unbegrenzte Downloads
Kostenlose Nutzer sind auf 1 begrenzt
—
Risikofreier Zeitplan
Heute: Sofortzugang erhalten
Vollständige Zusammenfassungen von über 26.000 Büchern anhören. Das sind über 12.000 Stunden Audio!
Tag 2: Erinnerung an Testphase
Wir senden Ihnen eine Benachrichtigung, dass Ihre Testphase bald endet.
Tag 3: Ihr Abonnement beginnt
Die Abbuchung erfolgt am 25. Nov.,
vorher jederzeit kündbar.
Consume 2.8× More Books
2.8× weitere Bücher Hören Lesen
Unsere Nutzer lieben uns
1M+ Leser
Trustpilot Rating
TrustPilot
4.6 Hervorragend
Diese Seite ist ein absoluter Gamechanger. Ich habe noch nie so schnell Buchzusammenfassungen gelesen. Sehr, sehr empfehlenswert.
— Dave G
Das Geld und die Zeit absolut wert und wirklich gut gemacht. Eine solche Qualität von Zusammenfassungen habe ich auf anderen Websites noch nie gesehen. Sehr hilfreich!
— Em
Sehr empfehlenswert!! Fantastischer Service. Perfekt für alle, die mehr als einen Teaser möchten, aber nicht alle Details eines vollständigen Hörbuchs brauchen.
— Greg M
62 % sparen
Jährlich
$119.88 $44.99/Jahr/J.
$3.75/Mon.
Monatlich
$9.99/Mon.
3-tägige kostenlose Testphase starten
3 Tage kostenlos, dann $44.99/Jahr. Jederzeit kündbar.
Unlock a world of fiction & nonfiction books
26.000+ Bücher zum Preis von 2 Büchern
Lesen Sie jedes Buch in 10 Minuten
Entdecken Sie neue Bücher wie bei Tinder
Fordern Sie jedes Buch an, das noch nicht zusammengefasst ist
Lesen Sie mehr Bücher als jeder, den Sie kennen
Die Nr. 1 App für Buchliebhaber
Lifelike & immersive summaries
30-Tage-Geld-zurück-Garantie
Zusammenfassungen als EPUB oder PDF herunterladen
Jederzeit mit wenigen Klicks kündbar

Warum nur eine Zusammenfassung?

Scanner
Barcode zum Scannen finden

⭐
⭐
⭐
Wir haben ein besonderes Geschenk für Sie
Öffnen
38% Rabatt
RABATT FÜR DICH
⭐
⭐
⭐
$79.99
$49.99/Jahr
Nur $4.16 pro Monat
Weiter
Mit 2 Taps starten, ganz einfach kündigen
Einstellungen
Allgemein
Widget
Wird geladen...