Seite - (000487) - in Autonomes Fahren - Technische, rechtliche und gesellschaftliche Aspekte

46922.3 Lernende technische Systeme 22.3.1 Verschiedene Verfahren des Maschinellen Lernens Breiman stellte 2001 Folgendes fest: In the past fifteen years, the growth in algorithmic modeling applications and methodology has been rapid. It has occurred largely outside statistics in a new community – often called machine learning. [8] In [9] werden die ersten Arbeiten des Maschinellen Lernens u. a. auf McCulloch und Pitts im Jahr 1948 zurückgeführt, sodass die Vielzahl der vorhandenen Lernverfahren eine detaillierte Beschreibung aller Verfahren nicht ermöglicht. Deshalb werden nachfolgend Kategorien von Lernproblemen, nach denen die Verfahren zumeist eingeteilt werden [10, 11, 12], beschrieben. Supervised Learning Supervised Learning, überwachtes Lernen oder Lernen mit Lehrer zeichnet sich durch bereits bewertete Trainingsdaten (labeled data) aus. Die Trainingsdaten, also die Erfahrun- gen, auf denen das Maschinelle Lernen aufbaut, enthalten Eingangs- und Ausgangsgrößen eines Lernproblems. Beispielsweise würden bei der Klassifikation, ob bei einem Unfall Airbags auslösen oder nicht, Trainingsdaten auf der einen Seite aus Beschleunigungswer- ten und auf der anderen Seite aus zugehörigen Bewertungen (auslösen oder nicht auslösen) bestehen. Diese Bewertungen müssen dabei beispielsweise durch einen Experten/Lehrer oder eine Beobachtung über der Zeit erstellt werden. Das Lernverfahren nutzt nun diese Erfahrungswerte, um für neu beobachtete Eingangswerte die Ausgangsgröße zu bestim- men. Für das Übertragen von Erfahrungswerten auf neue Eingangswerte wird nach [10] zwischen dem faulen (lazy- bzw. memory-based learning) und dem eifrigen Lernen (eager bzw. model-based learning) unterschieden. Beim faulen Lernen werden die Trainingsdaten während des Lernens abgespeichert und ein Ähnlichkeitsmaß definiert. Dieses Ähnlichkeitsmaß kann unterschiedlich komplex sein und reicht vom einfachen euklidischen Abstand bis zu komplexen Abständen beim Case- Based-Reasoning. Wenn der Ausgangswert für neue Eingangswerte gesucht wird, werden die dem neuen Fall ähnlichsten Trainingsdaten bestimmt und daraus der Ausgangswert abgeleitet. Dieses Vorgehen entspricht dem transduktiven Schlussfolgern [13]. Im Gegen- satz dazu wird beim eifrigen Lernen, basierend auf den Trainingsdaten, während der Trai- ningsphase ein globales Modell erstellt (Induktion). Ausgangswerte für neue Fälle werden per Deduktion aus dem Modell geschlossen. Unsupervised Learning Für das Unsupervised Learning, unüberwachtes Lernen oder Lernen ohne Lehrer stehen ebenfalls Trainingsdaten zur Verfügung, jedoch in diesem Fall ohne Bewertung bzw. Aus- gangsgröße (unlabeled data). Bei diesem Lernverfahren ist das Ziel, eine Struktur in den Daten zu finden bzw. diese anhand der Struktur zu klassifizieren. Die Trainingsdaten wer-