Unbeaufsichtigtes Lernen (Unsupervised Learning) ist eine sehr beliebte Technik im Machine Learning. In diesem Python-Tutorial über sklearn auf Deutsch stelle ich Ihnen die wichtigsten Algorithmen vor: K-Means Clustering, IsolationForest und PCA (Hauptkomponentenanalyse)
0:00 : Einführung
00:33 : Unbeaufsichtigtes Lernen
03:17 : K-Means Clustering
06:04 : K-Means Sklearn
11:00 : K-Means – Elbow-Methode
14:50 : Anomalieerkennung (Isolation Forest)
19:52 : Isolation Forest Sklearn
22:03 : Anwendung Isolation Forest (Ziffern)
26:54 : Dimensionsreduktion (PCA)
30:14 : Datenvisualisierung
33:14 : Datenkompression
40:00 : Fazit und Übung
Zur Erinnerung: Überwachtes Lernen ist eine Lerntechnik, bei der der Maschine Beispiele X, y gezeigt werden, was sie lernen soll. Im Gegensatz dazu besteht unbeaufsichtigtes Lernen darin, der Maschine nur Daten X zur Verfügung zu stellen und sie zu bitten, die Struktur dieser Daten zu analysieren, um selbst zu lernen, bestimmte Aufgaben auszuführen.
1. Clustering
Eine der beliebtesten Anwendungen des unbeaufsichtigten Lernens ist das Clustering. Das Prinzip besteht darin, der Maschine zu erlauben, Daten nach Ähnlichkeiten zu sortieren (und dabei nur die Merkmale X zu analysieren).
Die Algorithmen, die man kennen sollte:
- K-Means: Sehr schnell, aber ineffektiv bei nicht-konvexen Clustern.
- AgglomerativeClustering: Ziemlich langsam, aber effektiv bei nicht-konvexen Daten.
- DBSCAN: Effektiv bei nicht-konvexen Daten, aber automatische Auswahl der Clusteranzahl.
Anwendungen:
- Dokumente, Fotos, Tweets sortieren
- Kundensegmentierung eines Unternehmens
- Optimierung der Organisation eines IT-Systems usw...
2. Anomalieerkennung
Ein weiteres Beispiel für die Anwendung des unbeaufsichtigten Lernens ist die Anomalieerkennung. Durch die Analyse der Struktur X der Daten kann die Maschine Proben finden, deren Merkmale stark von denen anderer Proben abweichen. Diese Proben werden dann als Anomalien betrachtet.
Die Algorithmen, die man kennen sollte:
- IsolationForest: Effektiv zur Erkennung von Ausreißern im Trainingssatz.
- Local Outlier Factor: Effektiv zur Erkennung zukünftiger Anomalien.
Anwendungen:
- Bereinigung eines Datensatzes von den darin enthaltenen Ausreißern.
- Erkennung abnormalen Verhaltens auf einer Website oder einer Überwachungskamera.
- Prädiktive Wartung von Maschinen in einer Fabrik.
3. Dimensionsreduktion
Die letzte sehr wichtige Anwendung des unbeaufsichtigten Lernens ist die Dimensionsreduktion. Das Prinzip besteht darin, die überflüssige Komplexität eines Datensatzes zu reduzieren, indem seine Daten in einen Raum mit geringerer Dimension (einen Raum mit weniger Variablen) projiziert werden. Das Ziel ist es, das Lernen der Maschine zu beschleunigen und dem Fluch der Dimension entgegenzuwirken.
Algorithmen, die man kennen sollte:
- Hauptkomponentenanalyse (PCA): der beliebteste und am einfachsten zu verstehende.
- TSNE
- Isomap
Anwendungen:
- Datenvisualisierung: Anzeige eines hochdimensionalen Raums in einem 2D-Diagramm.
- Kompression von Datensätzen: Maximale Reduzierung des Gewichts eines Datensatzes bei gleichzeitiger Erhaltung maximaler Qualität.
► Unterstütze mich finanziell auf Tipeee (und erhalte BONUS-Videos)
► TRETET UNSERER DISCORD-COMMUNITY BEI
► MEINE WEBSITE:
► Erhalte kostenlos mein Buch:
MASCHINENLERNEN IN EINER WOCHE
KLICKE HIER:
► Lade kostenlos meine Codes auf GitHub herunter:
► Wer bin ich?
Ich bin Guillaume Saint-Cirgue, Senior Data Scientist mit über 8 Jahren Erfahrung in den Bereichen Technologie, Luftfahrt, Robotik, Energie und vernetzte Fabriken.
2019 habe ich Machine Learnia gegründet, um mein Wissen im Bereich der künstlichen Intelligenz zu teilen. Mein Ziel ist es, die Funktionsweise des Machine Learning und seiner Algorithmen im Detail zu erklären und diese Konzepte für alle zugänglich zu machen.
Ich bin überzeugt, dass es nicht ausreicht, die mathematischen Aspekte dieses Bereichs nur zu streifen; es ist entscheidend, sich intensiv damit auseinanderzusetzen, um sich abzuheben. Dieser Ansatz hat bereits über 150.000 Menschen überzeugt, und diejenigen, die ich heute ausbilde, gehören zu den Besten der Branche.
► Eine Frage? Kontaktiere mich: contact@machinelearnia.com