Lerne so erfolgreich wie die Maschinen-Algorithmen von Google

Die Verfahren zum maschinellen Lernen geben wertvolle Hinweise, wie auch Du erfolgreich lernen kannst. Was Algorithmen von Google erfolgreich macht, kann auch Dich erfolgreich machen.

Maschinen beginnen Texte automatisch von einer Sprache in eine andere zu übersetzen (was recht gut, aber immer wieder verblüffend schlecht funktioniert), sie lernen auf Bildern Gegenstände zu erkennen und zu benennen (und scheinen das teils besser als Menschen zu können) und sie steuern Autos autonom über Autobahnen.

Das Geheimnis hinter diesen sehr menschlichen Leistungen sind Algorithmen zum maschinellen Lernen. Welche speziellen Algorithmen genutzt und wie sie konfiguriert werden, ist meist best gehütetes Firmengeheimnis. Entscheidend beim maschinellen Lernen ist, dass die Algorithmen nicht einfach nur Erlerntes erinnern. Lernende Algorithmen erwerben aus dem Gelernten ein "Wissen", das sie zu einer Reaktion auf ähnliche oder unbekannte Eingaben bzw. Aufgaben befähigt, die wir als angemessen und richtig aufgrund der gemachten Erfahrungen empfinden. Es ist kaum anders als die Situation eines Studierenden: Auf den Input aus Vorlesung und Übung wird eine "richtige" Antwort auf neue Aufgaben in einer Prüfung erwartet.

Man unterscheidet drei Verfahren zum maschinellen Lernen, die unterschiedlich mit Ein- und Ausgaben bzw. Aufgaben und Lösungen umgehen: Beim überwachten Lernen (supervised learning) stellt ein "Lehrer" einen repräsentativen Satz von Ein- und Ausgaben zusammen. Beim bestärkendem Lernen bekommt der Lern-Algorithmus einzig durch Rückmeldung in Form einer Belohnung (oder auch "Bestrafung") einen Korrektur-Impuls (reinforcement learning). Das nicht-überwachte Lernen (unsupervised Learning) versucht sich der Algorithmus einzig anhand eines Inputs einen Reim darauf zu machen, wie künftige Inputs aussehen werden.

Wenn Maschinen so erfolgreich lernen, dann geben einem die Verfahren wertvolle Hinweise, was auch für uns Menschen hilfreiche Lernstrategien sind.

• Lerne am Beispiel. Besorge Dir so viele Aufgaben wie möglich, um einen Sachverhalt, ein Verfahren zu erlernen. Das heißt: Besorge Dir alte Übungs- und Klausuraufgaben. Bitte Deinen Dozenten, Deine Dozentin um noch mehr Material zum üben. -- Das kopiert die Idee des Supervised Learning.
• Du brauchst sofortige Rückmeldung, ob Du eine Aufgabe richtig oder falsch gelöst hast. Wenn Du auf dem Holzweg bist, brauchst Du eine möglichst frühe Korrektur. Frühe Rückmeldung und frühe Korrekturen beschleunigen das Lernen dramatisch. -- Das ist die Technik des Reinforcement Learning.

Zwei Tipps dazu: (1) Wenn Du in ein neues Themengebiet einsteigst und mit neuen Aufgaben konfrontiert bist, dann schau nach gelösten Teilaufgaben sofort in die Musterlösung. (2) Frag einen Könner, Dir beim Einstieg in ein neues Thema zu helfen und Dich beim Lösen einer Aufgabe zu coachen. Er oder sie gibt Dir Anregungen, wenn Du nicht voran kommst, und positive Rückmeldung, wenn Du den richtigen Weg einschlägst und Zwischenergebnisse richtig sind.

Diese Rückmeldung ist wichtiger als eine Erklärung, warum Du falsch liegst.

• Lernen braucht eine Trainingsphase. Die Leistungen, die Maschinen hervorbringen, sind das Ergebnis (a) eines ausgiebigen Trainings und (b) einer Zuversicht, dass auch künftige Aufgaben erfolgreich bewältigt werden. Das heißt für Dich: Du musst üben! Ohne eine angemessene Trainingsphase (wir nennen das z.B. Klausurvorbereitung) wird es nicht gehen. -- Diese Empfehlung leitet sich aus allen drei Verfahren zum maschinellen Lernen ab. Irgendwie logisch, oder?

Tipp: Beginne sofort mit Übungsaufgaben und erarbeite Dir "just in time" das benötigte Wissen an, um die Aufgabe und ihre Lösung zu verstehen.

Was uns vom Machine Learning (noch) unterscheidet, ist, dass wir nicht nur am Beispiel, sondern anhand von vermittelten Modellvorstellungen, Erklärungsmodellen, formalen Systemen lernen können. Menschen sind im Unsupervised Learning wesentlich effizienter als es Maschinen bisher sind. In uns liegt die Fähigkeit zum Selbstlernen, zum selbstorganisierten Lernen, was das Vermögen einschließt, uns selbst Lernziele setzen zu können. Wir können Bücher lesen, Video anschauen, einem Lehrer zuhören usw. Das ist der Grund, warum wir teils mit erheblich weniger Trainingsdaten lernen können.

Noch einmal zusammengefasst:

• Lerne viel an Beispielen
• Hole Dir so früh wie möglich Feedback beim Lernen
• Nutze Deine menschlichen Fähigkeiten zum Unsupervised Learning; das reduziert erheblich die Menge an Beispielen, die Du zum lernen brauchst.

Das heißt für Dich als Student:

• Geh in Übungen, mach Praktika, besorge Dir alte Prüfungsaufgaben -- und mach soviele Aufgaben wie möglich
• Lerne mit anderen, wo ihr euch rasch in richtige Lösung "korrigiert"
• Geh in die Vorlesung, lese das Skript, ein Buch, such Dir Videos zum Thema raus