Das Ziel des maschinellen Lernens ist es, Computern „die Möglichkeit zu geben zu lernen, ohne explizit programmiert zu werden.“ So formulierte es der amerikanische Computerpionier Arthur Samuel bereits im Jahr 1959. Samuel wurde unter anderem dadurch bekannt, dass er Computern das Damespiel beibrachte. Maschinelles Lernen ist also ein Thema, das Wissenschaftler schon lange beschäftigt. Ziel ist es, Algorithmen zu entwickeln, die aus der Verarbeitung von Daten lernen.

Diese Algorithmen erkennen Muster und Gesetzmäßigkeiten, ziehen aus Erfahrungen ihre Schlüsse, machen Vorhersagen und fällen Entscheidungen. All diese Prozesse scheinen eine menschliche Dimension zu haben und können damit in den Bereich der künstlichen Intelligenz fallen, für die allerdings noch zusätzliche Kriterien gelten. Maschinelles Lernen wird in Zeiten gewaltiger Datenmengen (Big Data) immer relevanter und beispielsweise bei der Analyse des Aktienmarkts oder in der Biotechnologie zur Klassifikation von Nukleotidsequenzen genutzt.

Verschiedene Formen maschinellen Lernens

Überwachtes Lernen
Hier besteht eine Art Lehrer-Schüler-Verhältnis. Der Algorithmus wird mit zusammengehörigen Ein- und Ausgabedaten gefüttert, ein Programmierer stellt sicher, dass daraus die richtigen Schlüsse gezogen werden. Das ist wie ein Training, bei dem der Coach jederzeit instruierend und korrigierend in das Geschehen eingreift. Beim teilüberwachten Lernen erhält der Algorithmus nicht zu jeder Eingabe auch die passenden Ausgabedaten, muss also teilweise schon selbständig reagieren.
Unüberwachtes Lernen
Hier wird ein Algorithmus quasi sich selbst überlassen, also nur mit Eingabedaten versorgt. Die Schlüsse daraus muss das Programm dann selber ziehen. Das funktioniert zielgerichtet, wenn der Algorithmus schon die angemessene Erfahrung besitzt. Oder aber bei einer ergebnisoffenen Herangehensweise, bei der der Programmierer daran interessiert ist, in den Daten bisher verborgen gebliebene Muster zu entdecken.
Bestärkendes Lernen
Zuckerbrot und Peitsche ist hier das Prinzip. Der Algorithmus wird für ungewollte Aktionen bestraft und für gewünschte Ergebnisse belohnt und lernt daraus, welche Rechenprozesse in die angestrebte Richtung führen. Ein drastisches Beispiel: Ein selbstfahrendes Auto lernt durch einen Unfall, welche Fehler es in Zukunft vermeiden muss.
Aktives Lernen
Hier kommuniziert der Schüler/Algorithmus mit seinem Lehrer/Programmierer, indem er über die richtigen Fragen die korrekten Ausgabedaten erlangt. In diesem Prozess wird letztlich die Fragestellung optimiert.
Bild ganz oben: Das Auge des Comuters HAL 9000 aus dem Science Fiction Klassiker 2001: A Space Odyssey. Die Abkürzung HAL steht einer Erklärung zufolge für Heuristic ALgorithmic.