Ein Rahmenmodell für das Maschinelle Lernen

Es wird ein Rahmenmodell zum Maschinellen Lernen beschrieben, das sich aus zwei grundlegenden Lernsituationen ergibt. Auf dessen Basis wird eine neue Definition des Maschinellen Lernens angegeben. Dann wird gezeigt, wie das Rahmenmodell die Erstellung eines konkreten Systems zum Maschinellen Lernen unterstützen kann. Schließlich wird es mit zwei anderen Modellen zum Maschinellen Lernen verglichen und es werden die auf den Modellen aufbauenden Definitionen grundlegender Klassen von Lernproblemen diskutiert. 1 Einleitung und Überblick In diesem Artikel soll ein Rahmenmodell für das Maschinelle Lernen dargestellt werden, auf dessen Grundlage sich konkrete Lernprobleme und Lernverfahren einheitlich beschreiben lassen. Dementsprechend wird auch eine neue Definition des Begriffs Maschinelles Lernen gegeben. Darüber hinaus soll das Rahmenmodell die Struktur eines solchen Systems deutlich machen und die Erstellung eines konkreten Systems unterstützen. In den folgenden Abschnitten wird zuerst anhand einer verbreiteten Definition des Maschinellen Lernens und ihrer Beschränkungen die Zielsetzung des Rahmenmodells angegeben. Dann werden anhand eines Beispiels die beiden Situationen des Maschinellen Lernens dargestellt und verglichen, wobei auf Basis des Rahmenmodells die neue Definition von Maschinellem Lernen angegeben wird. Zu den Lernsituationen werden anschließend die enthaltenen Prozesse beschrieben. Dann wird erläutert, wie das Rahmenmodell die Erstellung eines Systems zum Maschinellen Lernen unterstützen kann und es werden zwei Arten von Lernverfahren und ein konkretes Lernverfahren auf Basis des Rahmenmodells beschrieben. Schließlich wird das Rahmenmodell mit zwei anderen Modellen zum Maschinellen Lernen verglichen und es werden die darauf aufbauenden Definitionen grundlegender Klassen von Lernproblemen diskutiert. 2 Zielsetzung des Rahmenmodells Mitchell gibt folgende Definition des Maschinellen Lernens [Mitchell, 1997; S. 2]: A computer programm is said to learn from experience E with respekt to some class of tasks T and performance measure P, if its performance at tasks in T, as measured by P, improves with experience E. Das Programm (das lernende System) wird als black-box betrachtet und von außen beurteilt. Die interne Veränderung des Systems (der internen Repräsentationen) wird nicht betrachtet, ein rein oberflächliches Lernen (Speichern von Daten) ist dabei nicht ausgeschlossen. Günstig an dieser Definition ist, daß sie zur Beurteilung und zum Vergleich von Systemen des Maschinellen Lernens benutzt werden kann. Die Einschränkung auf den Performance-Aspekt kann aber als Mangel angesehen werden. Auf Grundlage der Definition stellen sich daher folgende Fragen zu einem lernenden System: Welche Bestandteile hat ein solches System? Wie sehen diese Bestandteile aus? Wie arbeiten die Bestandteile zusammen? Wie wird ein solches System erstellt? Diese Fragen sollen in den folgenden Abschnitten beantwortet werden. 3 Struktur des Rahmenmodells In diesem Abschnitt werden anhand einer BeispielAufgabe die beiden möglichen Situationen eines lernenden Systems dargestellt und verglichen. Außerdem wird eine neue Definition eines lernenden Systems gegeben. 3.1 Beispiel-Aufgabe für ein lernendes System Angenommen, es soll ein System entwickelt werden, das in Stellungen von Schachendspielen gegen einen Gegner möglichst gut spielt. Dies bedeutet, daß das System in einer gegebenen Stellung einen Zug ausführen soll, der den theoretischen Wert der Stellung für die am Zug befindliche Partei (gewonnen, verloren oder remis) nicht verschlechtert und wenn möglich verbessert. Außerdem soll das System eine theoretisch gewonnene Stellung mit möglichst wenigen Zügen tatsächlich gewinnen (d.h. das Spiel in eine Matt-Stellung überführen). Entsprechend der Definition von Mitchell stellen sich folgende Fragen zur Beispiel-Aufgabe: Was sind die Erfahrungen, aus denen das System lernen soll? Was sind die konkreten Aufgaben, bezüglich denen die Leistung gemessen werden soll? Was ist das Leistungsmaß? Man kann die Fragen in zweifacher Weise beantworten. Das System soll wie ein menschlicher “Theoretiker” lernen, d.h. die Erfahrungen sind Beispielstellungen mit Erläuterungen (wie sie z.B. in Schachlehrbüchern vorhanden sind), die Aufgaben bestehen in der Angabe des (eines) besten Zugs in gegebenen Stellungen und das Leistungsmaß ergibt sich aus der Bewertung einer Reihe von Zügen (optimal, werterhaltend, wertverschlechternd). Das System soll wie ein menschlicher “Praktiker” lernen, d.h. die Erfahrungen sind Züge und Gegenzüge bei einem Spiel sowie die Bewertung am Spielende, die Aufgaben sind Ausgangsstellungen, die gewonnen werden sollen, und das Leistungsmaß ergibt sich aus dem Ausgang einer Reihe von Spielen (gewonnen, remis, verloren) und aus der jeweiligen Anzahl der Züge bis zum Spielende. Mitchell bezeichnet die beiden Arten des Lernens als Lernen von direkten und indirekten Informationen [Mitchell, 1997; S. 5]. 3.2 Darstellung der Lernsituationen Den beiden Arten des Lernens entsprechen zwei Situationen (Modelle) des Maschinellen Lernens. In der ersten geht es um das Lernen durch ein (einzelnes) informationsverarbeitendes System (IS) (Lernen durch Beobachten). In der zweiten geht es um das Lernen durch einen (einzelnen) (autonom) handelnden Agenten, der seine Umwelt verändert (Lernen durch Experimentieren). Die Lernsituation des informationsverarbeitenden Systems ist in Abbildung 1 dargestellt, die Lernsituation des Agenten in Abbildung 2. Beide zusammen bilden das Rahmenmodell. Sie bestehen zum einen aus Informationsarten (in den Abbildungen dargestellt durch Rechtecke) und zum anderen aus Prozessen (dargestellt als gerichtete Verbindungen zwischen den Informationsarten; der gefüllte Kreis ersetzt nur aus Gründen einer übersichtlicheren Darstellung direkte Verbindungen). Nachdem der Lerner in einer Entwicklungsphase erstellt wurde, läuft das Lernen in der IS-Lernsituation folgendermaßen ab (in Klammern die Namen der Prozesse der Lernsituation):