Machine Learning

Machine Learning,  zu Dt.: maschinelles Lernen, ist ein Teilgebiet der künstlichen Intelligenz und nutzt neuronale Netze sowie große Datenmengen.
Die Funktionsweise ist in vielen Bereichen vom Lernen im menschlichen Gehirn inspiriert.

Durch das Erkennen von Mustern (=Data-Mining) in vorhandenen Datenbeständen (=Big Data) wird neuer Erkenntnisgewinn (=Smart Data) ermöglicht, der mit herkömmlichen Methoden nicht möglich wäre. Die aus den Daten gewonnenen Erkenntnisse lassen sich verallgemeinern und für neue Problemlösungen oder für die Analyse von bisher unbekannten Daten verwenden.
Damit die Software eigenständig lernen und Lösungen finden kann, müssen die Systeme zunächst mit den für das Lernen relevanten Daten und Algorithmen versorgt werden. Des Weiteren sind Regeln für die Analyse des Datenbestands und die Mustererkennung aufzustellen. 
Für das maschinelle Lernen werden verteilte Rechnerstrukturen und insbesondere künstliche neuronale Netze, die nach dem Vorbild des menschlichen Gehirns funktionieren, eingesetzt.

Es werden verschiedene Arten des Machine Learning entwickelt:

• Supervised Learning, z.Dt.: überwachtes Lernen: (vorhandenes Expertenwissen wird benutzt, um das System anzulernen)
• Aktives Lernen: (ermöglicht der Maschine für bestimmte Eingangsdaten die gewünschten Ergebnisse zu erfragen)
• Batch Lernen: (geschieht im Offline Modus, d.h. während des Batch-Lernens wir der Data-Lake nicht mehr verändert)
• Sequenzielles Lernen: (hier werden die Datensätze aus dem Data-Lake aufeinanderfolgend verarbeitet)

Ein Anwendungsbeispiel für das Machine Learning sind Aktienmarkt-Analysen, die mitunter interessante Anlagenstrategien berechnen.
Diese automatisierten Aktienmarkt-Analysen werden mittlerweile von einem sogenannten Robo-Advisor durchgeführt, und die Ergebnisse werden immer professioneller.  Die Bezeichnung Robo-Advisor setzt sich aus den englischen Wörtern Robot (Roboter) und Advisor (Berater) zusammen und steht für die automatisierte Form der Geldanlage.