Machine Learning. Welche Potenziale und Hürden hat es?

Inhaltsverzeichnis

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichni

Abstract

1 Einleitung
1.1 Forschungsfrage und Hypothese
1.2 Vorgehensweise und Struktur
1.3 Einführung in die Thematik – Begriffsdefinitionen
1.4 Big Data
1.5 Labeled – Unlabeled Data
1.6 Neuronale Netze

2 Machine Learning
2.1 Was ist Machine Learning? - Definition
2.2 - Wie funktioniert Machine Learning?
2.3 Arten von Maschine Learning
2.3.1 Überwachtes Lernen (Supervised Learning)
2.3.2 Unüberwachtes Lernen (Unsupervised Learning)
2.3.3 Teilüberwachtes Lernen (Semi-Supervised Learning)
2.3.4 Bestärktes Lernen (Reinforcement Learning)
2.4 Modelltypen - Klassifizierungsarten beim Machine Learning
2.4.1 Lineare Klassifikation
2.4.2 Lineare Regression
2.4.3 Support Vector Machines (SVM)
2.4.4 Decision Trees
2.4.5 Multi-Layer Perceptrons
2.4.6 Clustering – k-means Clustering:
2.4.7 Künstliches Neuronales Netzwerk

3 Potenziale
3.1 Effizientere Auswertung von visuellen Daten
3.1.1 Deep Learning
3.2 Echtzeitauswertung
3.2.1 Online-Lernen
3.3 Anpassungsfähigkeit und Flexibilität beim ML
3.3.1 Transfer Lernen
3.4 Machine Learning mit wenig Daten
3.4.1 One-Shot-Lernen
3.5 Bewertung der Potenziale

4 Hürden
4.1 Technische Hürden
4.1.1 Qualität der Daten
4.1.2 Mangelnde Fachkräfte
4.1.3 Hackerangriffe
4.2 Rechtliche Hürden
4.2.1 Datenschutz
4.2.2 Haftung
4.3 Gesellschaftliche Hürden
4.3.2 Akzeptanz und Nachvollziehbarkeit
4.4 Bewertung der Hürden

5 Marktanalyse
5.1 Marktgröße
5.2 Marktwachstum & Marktdynamik
5.3 Marktpotenzial
6 Fazit und Ausblick
6.1 Beantwortung der Forschungsfrage mithilfe der bisherigen Erkenntnisse
6.2 Überprüfung der Forschungshypothese mit den bisherigen Erkenntnissen
6.3 Ausblick

7 Literaturverzeichnis