Der Autor macht sich mit dieser Arbeit zur Aufgabe, dem Leser einen klaren Überblick über die Grundprinzipien von Machine Learning zu verschaffen. Der Fokus hierbei liegt bei den Potenzialen und Hürden von Machine Learning. Vorerst werden Grundbegriffe, die im Machine Learning häufig wiederzufinden sind, und die für das weitere Verständnis essenziell sind, genauer erläutert.
Machine Learning wird unterteilt in verschiedene Arten des Lernens sowie Lernmodelle und anhand dieser Arten werden die Potenziale vorgestellt und analysiert. Ebenso werden vorhandene Hürden vorab vorgestellt, analysiert und bewertet. Der Einfluss von Machine Learning Anwendungen bzw. Technologien auf die Unternehmen wird mit Hilfe einer Marktanalyse durchleuchtet und angesichts dieser Erkenntnisse wird eine Prognose abgegeben.
Zuerst werden dem Leser einige Begriffe erklärt, die mit der Thematik zu tun haben. Anschließend im nächsten Kapitel, wird dem Leser der Begriff "Machine Learning" genauer erläutert, damit man einen Grundbaustein für das Verständnis der weiteren Themen hat. Des Weiteren werden dem Leser mehrere Arten von ML vorgestellt und anschließend auch einige Modelle, die beim Machine Learning aktuell Anwendung finden bzw. auch in der Vergangenheit bereits genutzt wurden. Bei den Potenzialen wird hauptsächlich auf Deep Learning eingegangen, da diese Technologie die größte Aufmerksamkeit im Machine Learning auf sich zieht. Dabei haben die Begriffe Deep Learning im allgemeinen, Transfer-Lernen, One-Shot-Lernen je eine besondere Bedeutung. Im anschließenden Kapitel werden die Hürden vorgestellt, hierzu gibt es sowohl technische, gesellschaftliche als auch ethische Hürden. Auch diese Hürden wurden auf ihre Überwindbarkeit bewertet. Das letzte Kapitel ist die Marktanalyse von ML-Anwendungen, ob und inwieweit sich dieser Markt entwickeln wird und was dies für die Unternehmen bedeutet. Zum Schluss werden die Ergebnisse der Arbeit analysiert und die Forschungsfrage wird daraufhin beantwortet.
Inhaltsverzeichnis
- Einleitung
- Forschungsfrage und Hypothese
- Vorgehensweise und Struktur
- Einführung in die Thematik – Begriffsdefinitionen
- Big Data
- Labeled Unlabeled Data
- Neuronale Netze
- Machine Learning
- Was ist Machine Learning? - Definition
- Wie funktioniert Machine Learning?
- Arten von Maschine Learning
- Überwachtes Lernen (Supervised Learning)
- Unüberwachtes Lernen (Unsupervised Learning)
- Teilüberwachtes Lernen (Semi-Supervised Learning)
- Bestärktes Lernen (Reinforcement Learning)
- Modelltypen - Klassifizierungsarten beim Machine Learning
- Lineare Klassifikation
- Lineare Regression
- Support Vector Machines (SVM)
- Decision Trees
- Multi-Layer Perceptrons
- Clustering - k-means Clustering
- Künstliches Neuronales Netzwerk
- Potenziale
- Effizientere Auswertung von visuellen Daten
- Deep Learning
- Echtzeitauswertung
- Online-Lernen
- Anpassungsfähigkeit und Flexibilität beim ML
- Transfer Lernen
- Machine Learning mit wenig Daten
- One-Shot-Lernen
- Bewertung der Potenziale
- Hürden
- Technische Hürden
- Qualität der Daten
- Mangelnde Fachkräfte
- Hackerangriffe
- Rechtliche Hürden
- Datenschutz
- Haftung
- Gesellschaftliche Hürden
- Akzeptanz und Nachvollziehbarkeit
- Bewertung der Hürden
- Marktanalyse
- Marktgröße
- Marktwachstum & Marktdynamik
- Marktpotenzial
- Fazit und Ausblick
- Beantwortung der Forschungsfrage mithilfe der bisherigen Erkenntnisse
- Überprüfung der Forschungshypothese mit den bisherigen Erkenntnissen
- Ausblick
Zielsetzung und Themenschwerpunkte
Die Bachelorarbeit befasst sich mit den Potenzialen und Hürden des Machine Learning. Der Fokus liegt auf der Analyse der Möglichkeiten, die das Machine Learning bietet, sowie auf den Herausforderungen, die mit seiner Anwendung verbunden sind. Die Arbeit untersucht dabei die Funktionsweise von Machine Learning, seine verschiedenen Arten und Modelltypen und geht auf die Chancen und Risiken in verschiedenen Bereichen ein.
- Definition und Funktionsweise von Machine Learning
- Potenziale des Machine Learning in verschiedenen Bereichen
- Technische, rechtliche und gesellschaftliche Hürden des Machine Learning
- Marktanalyse und Entwicklung des Machine Learning-Marktes
- Bewertung der Erkenntnisse und Ausblick auf zukünftige Entwicklungen
Zusammenfassung der Kapitel
Die Einleitung stellt die Forschungsfrage und Hypothese der Arbeit vor und erläutert die Vorgehensweise und Struktur. Sie führt in die Thematik ein und definiert wichtige Begriffe wie Big Data, Labeled Unlabeled Data, Neuronale Netze und Machine Learning. Das zweite Kapitel erklärt, was Machine Learning ist, wie es funktioniert und erläutert die verschiedenen Arten von Machine Learning. Es werden außerdem die gängigsten Modelltypen und ihre Funktionsweise vorgestellt. Das dritte Kapitel beleuchtet die Potenziale des Machine Learning und geht auf die Chancen in Bereichen wie der effizienteren Auswertung von visuellen Daten, der Echtzeitauswertung, der Anpassungsfähigkeit und Flexibilität sowie dem Machine Learning mit wenig Daten ein. Das vierte Kapitel befasst sich mit den Hürden des Machine Learning und analysiert die technischen, rechtlichen und gesellschaftlichen Herausforderungen. Es werden Themen wie Datenqualität, Fachkräftemangel, Datenschutz, Haftung und Akzeptanz behandelt. Die Marktanalyse im fünften Kapitel beleuchtet die Marktgröße, das Marktwachstum und das Marktpotenzial des Machine Learning. Das Fazit fasst die wichtigsten Erkenntnisse zusammen und beantwortet die Forschungsfrage und überprüft die Forschungshypothese. Es bietet einen Ausblick auf zukünftige Entwicklungen im Bereich des Machine Learning.
Schlüsselwörter
Machine Learning, Künstliche Intelligenz, Deep Learning, Big Data, Überwachtes Lernen, Unüberwachtes Lernen, Modelltypen, Potenziale, Hürden, Datenschutz, Haftung, Marktanalyse, Marktwachstum, Marktpotenzial, Zukunftstrends.
- Citation du texte
- Mecit Akcay (Auteur), 2021, Machine Learning. Welche Potenziale und Hürden hat es?, Munich, GRIN Verlag, https://www.grin.com/document/1012818
