Across Domains

Unüberwachtes Lernen "Across Domains"


Wir haben gesehen, dass unüberwachte Lernalgorithmen für eine Vielzahl von Aufgaben eingesetzt werden können. Auf der vorherigen Seite hast du vermutlich mit deinen Mitlernenden darüber diskutiert, wie unüberwachtes Lernen zur Erkennung von Gemeinschaften in sozialen Netzwerken verwendet werden kann. In sozialen Netzwerken werden Personen ständig auf Grundlage ihrer ähnlichen Vorlieben, Entscheidungen und Präferenzen gruppiert, was zur Bildung virtueller Cluster oder Gemeinschaften führt. Die Erkennung solcher Gemeinschaften kann in vielen Bereichen nützlich sein – etwa um ein gemeinsames Forschungsgebiet in Kooperationsnetzwerken (wie z.B. ResearchGate) zu identifizieren, eine Gruppe gleichgesinnter Nutzer für Marketing und Empfehlungen zu finden oder um Protein-Interaktionsnetzwerke in biologischen Systemen zu erkennen. Mit unüberwachten Lernalgorithmen ist es möglich, ähnliche Individuen auf Basis ihrer Merkmale – wie Alter, Geschlecht oder Vorlieben – zu gruppieren, indem ihre Ähnlichkeit berechnet wird.

Unüberwachte Lernmodelle werden eingesetzt, um Fachleute aus verschiedenen Bereichen bei der Ausführung verschiedener Aufgaben zu unterstützen. Wählen Sie im Folgenden einen der Bereiche aus, der Ihrem Fachgebiet am nächsten kommt, und erkunden Sie verschiedene Aufgaben, die durch unüberwachte Lernmodelle unterstützt werden können:

Medizin

Wie können wir Krankheiten mit unüberwachtem Lernen vorhersagen?
Im Gesundheitswesen wächst das Interesse an der Verwendung von unüberwachten Lernansätzen, insbesondere in Situationen, in denen Datenlabels fehlen könnten – wie bei unentdeckten oder seltenen Krankheiten. So wurden beispielsweise in der Studie von Lu und Uddin (2024) unüberwachte Lernalgorithmen eingesetzt, um Modelle zur Krankheitsvorhersage zu entwickeln. Genauer gesagt untersuchte die Studie die Wirksamkeit von sieben unüberwachten Algorithmen auf 15 Datensätzen, darunter solche zu Herzinsuffizienz, Diabetes und Brustkrebs.


Wie können wir Anomalien in medizinischen Bildern erkennen?
Die Anomalieerkennung mithilfe unüberwachter Lernmethoden spielt eine entscheidende Rolle in der Radiologie, um ungewöhnliche Muster in medizinischen Bildern zu identifizieren, die auf Krankheiten wie Tumore oder Frakturen hinweisen können. Techniken wie Autoencoder können mit normalen Bilddaten trainiert werden, um typische Merkmale zu lernen. So können Abweichungen bei der Analyse neuer Bilder erkannt werden. Diese Methode verbessert die diagnostische Genauigkeit und verringert die Wahrscheinlichkeit, kritische Zustände zu übersehen (Shveotsova et al., 2021).



LITERATURHINWEISE
  1. Lu, Haohui, and Shahadat Uddin. “Unsupervised Machine Learning for Disease Prediction: A Comparative Performance Analysis Using Multiple Datasets.” Health and Technology 14, no. 1 (January 1, 2024): 141–54. https://doi.org/10.1007/s12553-023-00805-8.
  2. N. Shvetsova, B. Bakker, I. Fedulova, H. Schulz and D. V. Dylov, "Anomaly Detection in Medical Imaging With Deep Perceptual Autoencoders," in IEEE Access, vol. 9, pp. 118571-118583, 2021, https://doi.org/10.1109/ACCESS.2021.3107163.

Biologie

Wie können wir neue Wirkstoffziele mithilfe von Clustering identifizieren?
In der biologischen Forschung wird unüberwachtes Lernen eingesetzt, um große Datensätze für die Wirkstoffentwicklung zu analysieren. Durch die Anwendung von Clustering-Algorithmen auf genomische und proteomische Daten können Forscher potenzielle Wirkstoffziele identifizieren, die ähnliche Eigenschaften oder Funktionen teilen. Hierbei kann beispielsweise hierarchisches Clustering Beziehungen zwischen Proteinen aufdecken, die durch traditionelle Analysemethoden möglicherweise nicht erkennbar sind (Atas Guvenilir et al., 2023).



LITERATURHINWEISE
  1. Atas Guvenilir, H., & Doğan, T. (2023). How to approach machine learning-based prediction of drug/compound–target interactions. Journal of Cheminformatics, 15(1). https://doi.org/10.1186/s13321-023-00689-w 


Wirtschaft

Wie kann man Kunden mit unüberwachtem Lernen segmentieren?
Unüberwachtes Lernen kann effektiv für die Kundensegmentierung eingesetzt werden, indem unterschiedliche Gruppen basierend auf gemeinsamen Merkmalen und Verhaltensweisen identifiziert werden. Zum Beispiel wurden in der Studie von Shen (2021) unüberwachte Lernalgorithmen verwendet, um Kunden in einer realen Datenbank einer Online-Transaktionsplattform zu segmentieren.


Wie unterstützt unüberwachtes Lernen die Betrugserkennung?
Unüberwachtes Lernen spielt eine entscheidende Rolle bei der Betrugserkennung, indem es Anomalien in Transaktionsdaten identifiziert, die von etablierten Mustern normalen Verhaltens abweichen. Da Betrugstransaktionen in Kreditkartendaten jedes Jahr zunehmen, schlagen Rai und Dwivedi (2020) ein Schema zur Betrugserkennung in Kreditkartendaten vor, das auf unüberwachten Lernalgorithmen basiert.


LITERATURHINWEISE
  1. Shen, Boyu. “E-Commerce Customer Segmentation via Unsupervised Machine Learning.” In The 2nd International Conference on Computing and Data Science, 1–7. CONF-CDS 2021. New York, NY, USA: Association for Computing Machinery, 2021. https://doi.org/10.1145/3448734.3450775.
  2. Rai, Arun Kumar, and Rajendra Kumar Dwivedi. “Fraud Detection in Credit Card Data Using Unsupervised Machine Learning Based Scheme.” In 2020 International Conference on Electronics and Sustainable Communication Systems (ICESC), 421–26, 2020. https://doi.org/10.1109/ICESC48915.2020.9155615.

    3.

Geologie

Wie kann unüberwachtes Lernen angewendet werden, um Datenmuster in geophysikalischen Datensätzen zu untersuchen?
In den Geowissenschaften wird der Ansatz des unüberwachten Lernens verwendet, um geologische Einheiten durch die Analyse komplexer geophysikalischer Datensätze zu identifizieren. Eine Studie von Zhang et al. (2019) verwendete unüberwachte Lernalgorithmen, um Datenmuster in multivariaten geophysikalischen Datensätzen zu untersuchen, die aus Sedimentkernproben des Meeresbodens während wissenschaftlicher Meeresbohrungen im Südchinesischen Meer gewonnen wurden. Dieser Ansatz ermöglichte es den Forschern, explorative Datencluster zu erstellen, die mit etablierten lithologischen Einheiten und geologischen Zeitskalen übereinstimmten. Die Ergebnisse zeigten, dass unüberwachtes Lernen effektiv Beziehungen innerhalb der Daten aufdecken und geologische Interpretationen unterstützen kann (Zhang et al., 2019).
 
Wie kann seismische Datenanalyse durch unüberwachtes Lernen unterstützt werden?
Unüberwachtes Lernen wird in den Geowissenschaften zunehmend eingesetzt, um seismische Daten zu analysieren und die Interpretation von Untergrundstrukturen zu verbessern. Eine Studie von Celecia et al. (2020) zeigte, dass unüberwachtes Lernen in der Lage ist, große seismische Datensätze zu untersuchen und seismische Gruppen zu erzeugen, die die wichtigsten seismischen Fazies korrekt repräsentieren.



LITERATURHINWEISE
  1. Zhang, Y., Liu, S., & Zhang, Y. (2019). Unsupervised Learning on Scientific Ocean Drilling Datasets from the South China Sea. Journal of Geomechanics, 14(3), 205-215. https://doi.org/10.1007/s11707-018-0704-1.
  2. Celecia, A., Figueiredo, K., Rodriguez, C., Vellasco, M., Maldonado, E., Silva, M. A., Rodrigues, A., Nascimento, R., & Ourofino, C. (2021). Unsupervised Machine Learning Applied to Seismic Interpretation: Towards an Unsupervised Automated Interpretation Tool. Sensors, 21(19), 6347. https://doi.org/10.3390/s21196347
 

!     Reflektieren Sie über andere Probleme in Ihrem Studienbereich, in denen unüberwachte Lernmodelle angewendet werden können, und teilen Sie diese in den Taskcards unten.
(1) Schreiben Sie Ihre Antwort auf eine neue Taskcard.
(2) Bitte geben Sie Ihren Namen an.
(3) Verwenden Sie kein KI-System. Nutzen Sie nur Ihr aktuelles Wissen und vertrauenswürdige Quellen.
(4) Lesen Sie die Antworten Ihrer Mitlernenden bitte erst, nachdem Sie Ihre eigene Antwort abgegeben haben.
(5) Bitte gehen Sie erst zur nächsten Seite, wenn Sie hier geantwortet haben.