Bücher Kostenlos The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World
December 08, 2010 money-dun-drop-from-the-sky 0 CommentsBücher Kostenlos The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World
Es gibt viele Tipps, die Menschen bieten die Lebensdauer hohe Qualität in Bezug auf alles zu steigern. Hier stellen wir Ihnen auch eine extrem einfache Anregung zum Leben bieten viel besser. Überprüfung der The Master Algorithm: How The Quest For The Ultimate Learning Machine Will Remake Our World ist unsere Idee. Bitte fragen, warum wir diese Publikation vorschlagen zu lesen. Viele Menschen wollen sich reich sein zu machen, aber irgendwann vergessen sie über einen sehr einfachen Punkt. Reviewing ist in der Tat ein einfacher Punkt, doch viele slouch, es zu tun. Es ist eine Art uninteressant Aufgabe als auch die Zeit.
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World
Bücher Kostenlos The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World
Derzeit, was halten Sie für die sich abzeichnenden Publikationen dieser Moment? Viele Publikationen werden vorgestellt und von vielen Autoren veröffentlicht, aus vielen Nationen in dieser Welt. Dennoch haben Sie vorsichtiger zu sein holen eines der besten. Wenn Sie genau ratlos sind, wie Sie Führer wählen, könnten Sie aus dem Thema Versorgung extrahieren, der Schreiber, und auch die Überweisung.
Es gibt zahlreiche Veröffentlichungen, die die Art und Weise für das Erreichen der bessere Zukunft sein können. Es wird auch die verschiedene Motive aus literarischer Fiktion, socials, Gesellschaft, Religion, Gesetzgebung, sowie vielen verschiedenen anderen Bücher. Wenn Sie verwirrt sind einer der Führer zu wählen, können Sie versuchen, The Master Algorithm: How The Quest For The Ultimate Learning Machine Will Remake Our World Ja, diese Veröffentlichung eine viel empfehlenswertes Buch wird, dass viele Menschen lieben zu lesen, in jedem Problem.
Wenn Sie genau sehen können, wie Führer empfohlen wird, können Sie sollten wissen, dass diese Publikation schreibt und veröffentlichen. Es wird wirklich die beeinflussen, wie Menschen diese Publikation zu lesen geschätzt wird. Wie weiter unten, The Master Algorithm: How The Quest For The Ultimate Learning Machine Will Remake Our World kann durch die Suche nach in einigen Geschäften geholt werden. Oder, wenn Sie einfach und schnell auch Mittel erhalten wollen, nur um es auf dieser Website. Hier haben wir nicht nur liefern Ihnen die Leichtigkeit des Materials überprüft, aber ebenfalls eine schnelle Hilfe zu bekommen. Wenn Sie einige Tage in Anspruch nehmen, zu warten Führer zu erhalten, werden Sie sich hier die schnelle respond erhalten.
Es ist nicht nur die sehr einfache Möglichkeit zu bieten, sondern zusätzlich das Buch ist weich Dateisysteme zu erhalten. Dies ist der Grund, warum Sie so schnell wie möglich das Buch erhalten könnten. Durch die Bindung an Internet, Ihre Chance, zu finden und die The Master Algorithm: How The Quest For The Ultimate Learning Machine Will Remake Our World sofort. Mit einem Klick auf Web-Link, der auf dieser Website erweitert wird, können Sie auf Geradführung Website. Und auch, das ist Ihre Zeit Ihr bevorzugtes Buch zu bekommen.
Produktinformation
#detail-bullets .content {
margin: 0.5em 0px 0em 25px !important;
}
Audible Hörbuch
Spieldauer: 13 Stunden und 3 Minuten
Format: Hörbuch-Download
Version: Ungekürzte Ausgabe
Verlag: Brilliance Audio
Audible.de Erscheinungsdatum: 22. September 2015
Sprache: Englisch, Englisch
ASIN: B014X1M5D6
Amazon Bestseller-Rang:
Nr. 5.972 in Audible Hörbücher & Originals (Siehe Top 100 in Audible Hörbücher & Originals)
As a grad student, I can say that the book introduced almost no new technical concepts or algorithms, but I hadn't bought it for the purpose anyway. In contrast, the book is very useful when it comes to understanding the bigger picture: from the systematic comparison between the different schools of machine learning, to the guided tour through their respective histories, and finally to the extensive discussion of how the different parts are related and can potentially be combined, the book is a very smooth ride into the world of machine learning.I tended to disagree with the author during the last part of the book, where he discusses different points related to the future of AI. The author comes over as too optimistic at times, and/or oversimplifies many important aspects. But this concerns only the last chapter, which doesn't constitute the core of the book's topic, so it can be ignored.The biggest bonus is perhaps the author's elaboration on his work unifying logic and Bayesian learning. Though I had read his early academic papers on Markov Logic Networks, I found it nice that the author tells his personal journey that lead to that academic work. And there are a lot of useful insights too.Finally, the language of the book makes it almost read like a fantasy saga; albeit a very small one.
Das ist für Laien schwere Kost, da Pedro Domingos sehr in die Details der fünf unterschiedlichen Ansätze des Maschinellen Lernens einsteigt. Dennoch lesenswert als Einstieg in eine Thematik, die für unser aller Leben entscheidende Bedeutung hat. Negativ finde ich den Eindruck, dass alle Probleme dieser Welt durch den noch zu findenden Master-Algorithmus gelöst werden sollen. Da bin ich entschieden anderer Meinung. Ich wünsche mir eine Management Fassung für die Politik, die täglich über die Digitalisierung schwafelt, aber offensichtlich nicht weiß, worum es geht. Diese Beurteilung maße ich mir an, nachdem ich mich durch diese Tour de force der KI gearbeitet habe. Einen Einstieg in die Denke Pedro Domingos gibt sein kürzlich geführtes Interview im Spiegel. Wo wir heute stehen: Während meines Luberon-Urlaubs wollte ich genauer wissen, wie Übersetzer-Programme das schöne französische "village perchee" übersetzen. Das sind diese alten Orte, die hoch auf Felsen sitzen (Berg- oder Adlernest). Das neuronale Netz von DeepL (letzter Schrei der Übersetzerprogramme und angeblich Meilen vor Google translate) schafft es zu: Dorf mit Sitzgelegenheit. Man sieht wie weit wir noch von der von Domingos herbeigesehnten Zukunft entfernt sind, vom Babelfisch zu schweigen.
This book hardly ever exceeds the iInformation content of long magazine articles. Written for the broad masses, it lists some examples of AI, names 5 Schools of AI, and refers to other popular books on the Topic.Even for non-Computer scientists there is little to learn from this book.Perhaps useful for children.
Ein kompletter Überblick über den Stand des machine learnings ohne mathematische Formeln. Das hatte ich bei Hacker News gelesen und bin nicht enttäuscht worden. Nach diesem Buch ist jeder sicher „still confused, but on a much higher level“. Bravo.
Gutes interessantes Buch, ob es den Master Algorithmus gibt - wird man sehen. KI ist sicherlich im Kommen, aber wie gut es wird???
Das Buch von Pedro Domingo ist mir aufgrund eines Interviews in DER SPIEGEL aufgefallen. Dort wurde der Autor interviewt, da das Buch einiges an Aufmerksamkeit erlangte als es bei einer Ansprache des chinesischen Quasi-Monarchen Xi Jinping im Hintergrund in dessen Bücherregal zu erkennen war. Das soll angeblich etwas heißen und zukünftig können so also Bestseller generiert werden. Ich werde dort auch mal anrufen und nachfragen, ob eines meiner Bücher in das Regal passen könnte. Es ist nämlich auch völlig egal, ob es das Buch auf Chinesisch gibt, denn es ist bisher nur vom Englischen ins Französische übersetzt worden. Daher ist dies eine Rezension zur englischen Fassung.Vorab mein Fazit, kurze Angaben zu den einzelnen Learnern kommen im Anschluss:Der Autor spricht eine verständliche bildhafte Sprache und bringt es fertig, ein Thema einigermaßen verständlich rüberzubringen, das von vielen Menschen mit einiger Skepsis betrachtet wird. Teils aus einem Unverständnis heraus, weil dieses Feld häufig nur als Betätigungsfeld von Nerds, Geeks und Informatik-Studenten der Technischen Hochschule überlassen wird, teils weil die Vorstellungskraft, was maschinelles Lernen und künstliche Intelligenz betrifft, schnell überfordert ist, wenn alle nur noch von Algorithmen sprechen und Geistergeschichten über Google & Co kursieren, denn die würden sowieso schon alles über uns wissen. Pedro Domingo schlüsselt in seinem Buch nicht nur die unterschiedlichen Denkrichtungen der Tech-Philosophen auf (das sind sie im Endeffekt, wenn man den Diskurs über Logos, Ethos und Pathos hinter dem Programmieren betrachtet, den es erfordert, um den „Master-Algorithmus“ zu erschaffen), sondern auch welche Vor- und Nachteile die einzelnen Algorithmen haben, die aktuell im Einsatz sind. Auch macht der Autor deutlich, dass viele Horror-Szenarien á la Terminator genauso weit von der Realität entfernt sind, wie die Möglichkeit einer totalen Überwachung á la NSA für jeden einzelnen Bürger im Lande (S. 282ff). Stattdessen sieht man, dass praxisreife Algorithmen immer noch sehr fehleranfällig sind und wiederum selber einer ständigen Adjustierung bedürfen. Das könnte natürlich wieder ein anderer Algorithmus übernehmen und dieser wird wieder von einem weiteren Algorithmus ständig optimiert und da liegt genau die Limitation. Mit den derzeitigen Modellen des maschinellen Lernens können Algorithmen entwickelt werden, die genaue eine Sache sehr gut können. Aber nur solange sich nicht allzu viel daran ändert. Komplexe multi-kausale Abläufe führen schnell zu falsch-positiven oder falsch-negativen Ergebnissen oder einem „Overfitting“. Der Algorithmus sieht eben nur das, was er gesagt bekommt, er verfügt nicht über die multi-dimensionale Sensorik (Sehen, Riechen, Schmecken, Hören, Fühlen und der Gleichgewichtssinn) eines Menschen. Die Komplexität, die das menschliche Gehirn in der Lage ist zu erfassen, wäre der Maßstab für DEN „Master-Algorithmus“ (S. 240). Menschliches Lernen beginnt jedoch bereits, wenn ein Säugling zum allerersten Mal die Augen öffnet (S. 137). Kombiniert mit den Informationen, die über die menschlichen Sinne erfasst werden, ergeben sich Assoziationen, die in ihrer Komplexität unser Bild der Realität ergeben. In einer Dimension kann ein Algorithmus bestens Lieblingsfilme bei Netflix empfehlen oder neue Bücher bei Amazon. Aber zum Beispiel nur solange der Account bei Amazon nicht genutzt wird, um Geschenke für Freunde zu suchen und/oder zu kaufen. Der Algorithmus kann auch bestens die Anzahl von Interaktionen in sozialen Netzen analysieren und so herausfinden, welche Akteure oder im Falle von Google Such-Algorithmen Websites, die häufigsten Interaktionen liefern. Diese Personen oder Websites können dann als „einflussreich“ klassifiziert werden und erhalten einen höheren Status (Gewichtung) bei Suchanfragen. Dass allerdings auch diese Algorithmen, die selbst lernen, aktiv manipuliert werden können, ist für soziale Netzwerke spätestens seit Cambridge Analytica bekannt. Gleiches gilt für Suchmaschinen-Rankings: War es vor 15 Jahren noch das tatsächliche Nutzerverhalten, das aufgrund der Anzahl von Interaktionen zwischen Websites und Suchanfragen zu einem Ranking in der Listung geführt hat, wird heute „Suchmaschinen-Optimierung“ betrieben oder schlicht für ein Top-Ranking bezahlt. Das Buch liefert viele Beispiele, die den Stand der aktuellen und zukünftigen Entwicklung des maschinellen Lernens schlüssig beschreiben. Am Ende des Buches geht der Autor auch noch auf gesellschaftspolitische Veränderungen durch maschinelles Lernen ein. Er sieht keinesfalls Jobverlust und soziale Entfremdung als unausweichliche Konsequenz. Es heißt für ihn nicht „Man vs Machine“, sondern „Man with Machine vs Man without Machine“ (S. 277). Je mehr Prozesse sich günstiger durch Maschinen bewältigen lassen, desto höherwertiger sei der menschliche Beitrag anzusiedeln (S. 278). Ein bedingungsloses Grundeinkommen ist auch in der Perspektive des Autors ein sinnvolles Mittel, um das Wohlstandsniveau unabhängig von der Arbeitsleistung sicherzustellen (S. 279). Das Buch ist eine absolute Empfehlung für alle, die sich mit dem Thema maschinelles Lernen aus einer er realistischen Perspektive etwas genauer befassen wollen.Was hat es nun mit den Algorithmen auf sich?Sie stehen unterschiedlichen Herausforderungen an Komplexität gegenüber (S. 5), die deren Anwendungserfolg derzeit einschränken oder verhindern. Vielleicht auch zukünftig:1. Speicherkapazität & Datenqualität: Jeder Algorithmus benötigt Informationen, sprich riesige Datenmengen, um die gewünschten Analysen vorzunehmen. Liegen diese nicht oder in der richtigen Form vor oder sind mehr Daten als Speicherkapazität vorhanden, ist der Algorithmus nutzlos. Die Datenqualität ist ebenfalls ausschlaggebend für ein gutes Ergebnis. Wenn Sensoren z.B. nicht valide das messen, was sie messen sollen, sind die Daten wertlos oder sogar irreführend mit möglicherweise fatalen Folgen.2. Zeitaufwand: Löst der Algorithmus seine Aufgabe nicht schnell genug, also länger als wir warten WOLLEN, ist er ebenso nutzlos.3. Menschliches Unvermögen: Wenn die Anwender nicht mehr verstehen, was der Algorithmus eigentlich macht, laufen sie Gefahr Ergebnisse überzuinterpretieren oder aber selbst wenn sie es bei verstehen, übersteigt der Interaktionsgrad unterschiedlicher Algorithmen irgendwann das Verständnis der Funktionsweise.Der Autor klärt darüber auf, dass es inzwischen für jeden möglich ist, maschinelles Lernen anzuwenden oder einen entsprechenden Algorithmus für eine bestimmte Aufgabe zu entwickeln. Dafür gibt es so genannte „building blocks“, also vorgefertigte Bausteine, mit denen sich einfache Anwendungen nach einem Baukastenprinzip entwickeln ließen. Wer das üben will, dem schlägt der Autor die Websites archiches.ics.uci.edu/ml/ und Kaggle.com vor. Man müsste weder Programmieren können noch ein Nerd sein, denn maschinelles Lernen bedeutet nicht unbedingt, dass der Anwender einen Algorithmus programmiert, sondern ein bestehender Basis-Algorithmus wird auf einen Datensatz aus Eingangs- und Ausgangsdaten losgelassen und passt sich so an, dass ein zu den Daten passender Algorithmus entsteht. Dieser muss natürlich validiert werden, was in der Regel so passiert, dass der Algorithmus etwa ein Viertel von zufällig zusammengewürfelten Ausgangs-Daten aus dem Trainingsdatensatz genau so aus den dazu gehörenden Eingangsdaten berechnen können muss, dass sie dem zu erwartenden Ergebnis entsprechen, wenn nur die übrigen drei Viertel des Trainingsdatensatzes als Grundlage für die Entwicklung des Algorithmus herangezogen wurden. Es wird also zuerst die vollständige Information geliefert, durch maschinelles Lernen ein Algorithmus entwickelt und dann ein zufällig ausgewählter Teil der Information wieder entzogen, der dann durch den Algorithmus wieder hergestellt werden kann, wenn dieser funktioniert. Da das alles immer noch nur Trainingsdaten sind, ist damit noch längst nicht eine reale Anwendung verknüpft.Es gibt nach Aussage des Autors 5 Richtungen der Programmier-Logik für maschinelles Lernen, die es zu unterscheiden gibt:Symbolisten:Bedienen sich philosophischer und psychologischer Erkenntnisse sowie real anwendbarer Logik. Ein Hauptinstrument ist die „inverse Deduktion“. Von einer allgemein gültigen Erkenntnis wird auf den Einzelfall geschlossen. Weisen andere Einzelfälle die gleichen Merkmale auf, wie der erste Einzelfall, dann können diese Fälle ebenfalls der allgemein gültigen Erkenntnis zugeordnet werden. Und auch neu auftretende Fälle können womöglich sofort zugeordnet werden. Wenn sich weitere Merkmale einer weiteren allgemein gültigen Erkenntnis zuordnen lassen, kann dieses Merkmal wiederum zu einer neuen Kategorie erklärt werden, die den Gesamtkontext des Lernens erweitert. Und so weiter. Das Problem: Mit der Anzahl der Zuordnungskategorien steigt die logische Komplexität und damit der Rechenaufwand. Zudem kann der Algorithmus zwar der aufgestellten Regel folgen, diese aber nicht automatisch an sich verändernde Bedingungen anpassen. Dazu wären aber wiederum andere Algorithmen-Typen in der Lage oder Menschen, die programmieren können.Konnektivisten:Bedienen sich neurologischer und physikalischer Vorbilder mit dem Ziel, das menschliche Gehirn durch mathematische Beziehungen abzubilden. Die so genannte „Backpropagation“ ist hier das vorherrschende Prinzip. Man kann sich das Prinzip wie ein mehrschichtiges auf der Spitze stehendes pyramidenartiges Gebilde vorstellen, in dem jede Schicht wiederum aus unendlich vielen Verbindungen besteht. In der breitesten Schicht ganz oben werden nun die Informationen aufgenommen und anhand logischer oder gesetzmäßiger Verknüpfungen weiterverarbeitet. Der so entstandene Informationssatz, ist bereits strukturierter als die Eingangsinformation und wird an die nächste Schicht weitergegeben und so weiter bis an der Spitze der umgekehrten Pyramide, die letzte Schicht, nur noch zwei Informationen ankommen, die eine entweder/oder Entscheidung zulassen, die sich in eine Handlung umsetzen lässt. Auch hier müssen die eingehenden Informationen verlässlich sein und auf den unterschiedlichen Schichten müssen valide Berechnungen durchgeführt werden, so dass am Ende auch ein nützlicher und korrekter Output steht. Es können so zwar sehr große Datensätze verarbeitet werden, sollte das Ganze aber funktionieren wie ein menschliches Gehirn, müssten neue bisher unbekannte Informationen in jeder Schicht der Pyramide neue zur Information passende Verbindungen herstellen. Ein Maß an Komplexität, das derzeit nicht zu bewältigen ist. Projekte wie das US-Projekt BRAIN versuchen dies zu realisieren, bisher mit mäßigem Erfolg (S. 118).Evolutionisten:Bedienen sich an Erkenntnissen der Evolutionsbiologie und der Genetik, um aus diesen Anpassungsstrategien (maschinelles) „Lernen“ abzuleiten. Das so genannte „Genetic Programming“ nutzt die Kombinatorik, die sich aus der „function of the fittest“ ergibt. Ausgehend von einem empirisch belastbaren Datensatz an Informationen dessen Output man kennt, werden ähnliche Datensätze mit ähnlichem Output zum Anlernen eines Algorithmus verwendet. Aus der Kombination dieser Algorithmen entstehen in Anlehnung an die Biologie die entsprechenden Nachfolgegenerationen. Manche lösen die Aufgaben besser im Sinne von zum Beispiel schneller, akkurater oder einem anderen Attribut, manche schlechter. Die „fittesten“ Algorithmen werden wieder kombiniert und so fort. Der Vorteil liegt in der schnellen Algorithmus-Entwicklung und Output-Orientierung. Der Nachteil liegt, wie in der biologischen Zucht, in der schlicht aus Kapazitätgründen begrenzten Anzahl an „Zuchtzyklen“. Die Zucht geht zwar ungleich schneller als bei einem organischen Lebewesen, aber die Anzahl der Paarungen explodiert auch schnell ins Grenzenlose. Die Grundaufgabe, die der Algorithmus lösen soll, muss also schon gut umrissen sein.Bayesianer:Bedienen sich an statistischen Grundannahmen von abhängigen Wahrscheinlichkeiten, um komplexes Lernen anhand der realen Häufigkeit des Auftretens bestimmter Ereignisse oder Einflussfaktoren zu ermöglichen. Diese Methode wird von Sprach-Assistenten wie Siri verwendet und auch Googles Such-Algorithmen nutzen bedingte Wahrscheinlichkeiten, um für den Nutzer mit der maximalen Wahrscheinlichkeit die Websites nach der Suchanfrage anzuzeigen, die er sucht. Eine bedingte Wahrscheinlichkeit ergibt aus der „wenn, dann“ Beziehungen unterschiedlicher Faktoren. Durch die Gewichtung dieser Faktoren, z.B. die Verlinkungen zwischen Websites und die Zeit, die ein Nutzer durchschnittlich auf jeder Website verbringt bevor er auf eine weitere verlinkte Website springt und so weiter, lässt sich durch maschinelles Lernen sehr gut in einen gut funktionierenden Algorithmus übersetzten.Analogisten:Bedienen sich des Zusammenhangs des gehäuften Auftretens bestimmter Merkmale untereinander, die in eine Beziehung gesetzt werden können. Das Haupt-Werkzeug sind so genannte „Support Vector Machines“. Alle vorherigen Algorithmen-Typen haben eines gemeinsam: sie lernen durch große Mengen von empirisch geformten Regeln (Symbolisten), mehrschichtige „neuronale Netze“ (Konnektivisten), „genetisches Programmieren“ (Evolutionisten) oder Baysianische Netzwerke und brauchen deshalb UNMENGEN VON DATEN. Ohne Daten sind sie wertlos und ebenfalls mit den falschen Daten (S. 175). Analogisten können bereits von einem einzigen beispielhaften Datensatz lernen. Das Prinzip nennt sich „Nearest Neighbor“. Facebook nutzt es zum Beispiel für die Gesichtserkennung: Das Profilbild eines Facebook-Accounts wird für den Vergleich mit Millionen anderer Fotos herangezogen, um auf diesen Fotos den einen Nutzer zu identifizieren und zu markieren. Die Ähnlichkeit wird dabei über die Auswertung einzelner Bildpunkte vorgenommen und auch die Netzwerkverbindungen im sozialen Netzwerk, so dass die Wahrscheinlichkeit sehr hoch ist, dass die identifizierte Person korrekt markiert wird, wenn Bildpunkte und Freundschaftsverbindungen dafür sprechen. Es muss also nicht jedes Mal das gesamte Facebook durchsucht werden, sondern es werden systematisch die nächsten Nachbarn gesucht. Ein Baysianischer Algorithmus könnte dies zwar auch, allerdings bei ungleich höherem Verbrauch an Rechenleistung, da er für die Berechnung von bedingten Wahrscheinlichkeiten eine große Menge an Daten benötigt und vorher wissen muss, dass es sich bei dem Foto um das Bild dieser einen bestimmten Person handelt. Auch Nearest Neighbor muss immer wieder korrigiert werden bis er ausreichend schnell Ergebnisse liefert, aber dies ist nur eine Frage der Output-Kontrolle „richtig/falsch“. Da liegt dann auch der Nachteil. Ohne Korrektur identifiziert Nearest Neighbor alle möglichen Dinge als das, wofür er es hält und er kann nur lokal begrenzt eine hohe Treffsicherheit liefert, also Bild – ähnliches Bild wiedererkennen. Er kann nicht ohne weiteres eine valide Antwort liefern, wenn die Frage lautet: Such mir das Bild von XY beim Super Bowl aus allen verfügbaren Bildern. Hierfür sind zu viel zusätzliche Faktoren ausschlaggebend, die ein neuronales Netz besser herausfiltern kann. Weitere Beispiele für den Einsatz von Nearest Neighbor sind „Recommender Systeme“, die bei Netflix und Amazon aktiv sind, um Produkte auf Basis gekaufter oder gesuchter Produkte zu empfehlen, die auch andere Nutzer gekauft oder gesucht haben.Zuletzt stellt der Autor die Frage: Wenn alle diese Methoden es erfordern, dass ihnen jemand beibringt, was sie lernen müssen, wie kann dann ein Algorithmus jemals menschliche Aufgaben übernehmen? Denn ein Mensch kann ja selber lernen, auch ohne Lehrer. Hier kommt eine neue Art von Algorithmen ins Spiel: „Relational Lerner“. Diese Algorithmen funktionieren so wie es jeder aus dem Alltag kennt: Jeder Mensch vergleicht sich mit anderen Menschen. Oder das Wetter von heute mit dem von Gestern. Das Auto vom Nachbarn mit dem eigenen. So bilden wir Bezugspunkte, die unsere Entscheidungen und damit unser Verhalten lenken. Relational Learner nutzen jede Art von Informationen, um sie mithilfe eines mathematischen Verfahrens namens Hauptkomponentenanalyse zu strukturieren. So lassen sich auch mit ausreichend Rechenkapazitäten und guten Daten in Echtzeit Informationen auswerten. Eine bereits existierende Anwendung sind Navigationssysteme, die Verkehrsaufkommen in Echtzeit auswerten und mit guter Prognose bessere Routen vorschlagen.Eine gute Übersicht, wie diese unterschiedlichen Richtungen im Gesamtkontext miteinander funktionieren können, ist auf S. 54 gegeben:Basis-Strukturen werden mit Evolutionisten entworfen > Einzelne Einflussfaktoren können mit Konnektivisten eingelernt werden > Menschliche Logik, Psychologie und Verhaltenselemente werden durch Symbolisten eingebracht > Die genauere Gewichtung von Einflussfaktoren und Verhaltenselementen wird anhand von Baysianern gesteuert, die auch Veränderungen der Einflussfaktoren abbilden können > Damit ist es Analogisten möglich, die geschaffenen Algorithmen auch auf ähnliche Situationen anzuwenden und immer wieder neu anzupassen.Zuvor geht der Autor ab S. 39ff darauf ein, welche Fehlannahmen neben den drei schon genannten Komplexitätsbeschränkungen immer noch zu einem Missverständnis führen, was maschinelles Lernen zu leisten vermag. Er geht dabei auch auf die so genannten „schwarzen Schwäne“ ein (auch Nassim Taleb bekommt kurz sein Fett weg) und die auch von anderen Autoren vorgenommene Einteilung von so genannten „Füchsen“ und „Igeln“ (siehe zuletzt das Buch „Superforcasting“ von Phil Tetlock und „Sichere Prognosen in unsicheren Zeiten“ von Bruno Jahn). Denn ein Master-Algorithmus wird keineswegs in der Lage sein, und soll es auch nicht, die schwarzen Schwäne, also unvorhersehbare Ereignisse, zu 100% vorherzusagen. Denn dass diese existieren liegt an dem bestehenden „unbekannten“ Wissen. Da letztlich auch ein Master-Algorithmus nur von den Daten zehren kann, die er zur Verfügung gestellt bekommt, also das bestehende „bekannte“ Wissen, kann er zwar mit höherer Wahrscheinlichkeit ein „unvorhersehbares“ Ereignis erkennen, aber letztlich auch keine absolute Prognose abgeben. Dies entspräche aber dennoch einer idealen Kombination von Füchsen und Igeln. Füchse sind Menschen, die in vielen Bereichen ausreichend Wissen besitzen, um so auch bei detaillierten Fragestellungen eine brauchbare Antwort in vielen Bereichen zu liefern. Igel sind hingegen Experten mit viel Wissen in einem Bereich, wo sie sehr gute Antworten liefern können, aber in einem fachfremden Bereich sind sie ungleich unzuverlässiger. Maschinelles Lernen kann hingegen VIEL Wissen aus VIELEN Bereichen verknüpfen und so einen Kombinations-Vorteil realisieren.
Outstanding book that allows an easy understandable but very impactful entry into machine learning. Perfect for beginners. Game changer for myself. Wonderful. Thanks Pedro.
Das Buch gibt nicht immer einfach, jedoch insgesamt gut nachvollziehbar einen Überblick über die Entwicklung der künstlichen Intelligenz. Der Autor vermeidet dabei unrealistische Szenarien und beschreibt Chancen und Risiken dieser Entwicklung rational und leidenschaftslos. Besonders instruierend ist das letzte Kapitel "This Is the World on Machine Learning". Ein Buch, das man in unserer Zeit der disruptiven Transformation gelesen haben sollte.
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World PDF
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World EPub
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World Doc
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World iBooks
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World rtf
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World Mobipocket
The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World Kindle
