Maschinelles Lernen in der Siedlungswasserwirtschaft

Seit dem Beginn des Siegeszugs von Maschinellem Lernen vor einigen Jahren ist die Anzahl der Möglichkeiten für Anwendungen und die damit verbundene Flut an Publikationen kaum mehr zu durchblicken. Dennoch ist bislang die Menge an realisierten Anwendungen der Technologie in der Praxis überschaubar. In diesem Artikel erklären wir die theoretischen Grundlagen und verschaffen uns einen Überblick über die Methode sowie deren Anwendung in der Siedlungswasserwirtschaft.Seit Beginn des Siegeszuges des maschinellen Lernens vor einigen Jahren ist es fast unmöglich, bei der Fülle an Anwendungsmöglichkeiten und der damit verbundenen Publikationsflut den Überblick zu behalten. Dennoch ist die Zahl der in der Praxis umgesetzten Anwendungen der Technologie noch moderat. In diesem Artikel erläutern wir die theoretischen Grundlagen und gewinnen einen Überblick über die Methodik und deren Anwendung in der Siedlungswasserwirtschaft.Im Sinne der Modellierung can grundsätzlich between den beiden Kategorien der physikalisch basierten Modelle, welche wir in dieser Arbeit gänzlich beiseitelassen, sowie der auf Daten basierenden statistischen Modellierung unterschieden Werden. Eine stringente Klassifizierung der Methoden der datenbasierten Modellierung ist de facto nicht möglich, da dies je nach Problemstellung und Fachgebiet abweichend definiert wird. Die Methoden umfassen den Bereich der klassischen Statistik (z.B. lineare oder logistische Regression) bis hin zu Artificial Neural Networks (ANN)Footnote1 und Deep Learning (DL)-Methoden, wobei für letztere Verfahren die Bezeichnung Machine Learning (ML) ge ist .

Im Sinne der Modellierung can grundsätzlich between den beiden Kategorien der physikalisch basierten Modelle, welche wir in dieser Arbeit gänzlich beiseitelassen, sowie der auf Daten basierenden statistischen Modellierung unterschieden Werden. Eine stringente Klassifizierung der Methoden der datenbasierten Modellierung ist de facto nicht möglich, da dies je nach Problemstellung und Fachgebiet abweichend definiert wird. Die Methoden umfassen den Bereich der klassischen Statistik (z.B. lineare oder logistische Regression) bis hin zu Artificial Neural Networks (ANN)Footnote1 und Deep Learning (DL)-Methoden, wobei für letztere Verfahren die Bezeichnung Machine Learning (ML) ge ist .

Der in der Literatur häufig verwendete Begriff Künstliche Intelligenz (AI) geht über die Modellierung auf Basis von Daten weit hinaus und umfasst auch heuristische Lösungsverfahren zur Entscheidungsfindung wie z. B. Genetische Algorithmen. ML-Verfahren sind daher eine Untergruppe der AI.

ML-Modelle können außerdem anhand der zur Verfügung stehenden Daten kategorisiert werden, an welche sie angepasst werden sollen. Man spricht – je nachdem, ob zu gegebenen Eingangsdaten ein gewünschter Ausgangswert vorliegt oder nicht – von dabei überwachtem bzw. unüberwachtem Lernen. Als gesonderter Fall muss das sogenannte Bestärkende oder Reinforcement Learning (RL) betrachtet werden, bei dem Modell nur durch Vorgabe einer (negativen) Belohnung nach dem Versuch-und-Irrtum-Prinzip von Selbst Eine Gewinnstrategie entwickelt, siehe Abb. 1. Im Sinne der Klassifizierung ist zu beachten, dass auch statistische Verfahren wie z. B. Clusteranalyse oder Principal Component Analysis (PCA) in der Literatur dem unüberwachtem Lernen zugeordnet werden. Andererseits Sind this Verfahren Nicht (zumindest nicht direkt) dem Bereich ML zugehörig.

Related Articles

Leave a Reply

Your email address will not be published. Required fields are marked *