Die Wahrheit über maschinelles Lernen ohne Mathe

Benötigte Lesezeit: 6 Minuten

“Ich liebe Mathe! Ich finde, es ist das Größte auf der Welt”, schwärmt Datenwissenschaftlerin Sarah Haq. Sarah’s Freund (oder große Liebe) ist des anderen Feind. Jeder der sich mit maschinellem Lernen beschäftigt, stößt irgendwann auf die Formelwissenschaft. Für die meisten Menschen ist Mathe eine Mauer, welche es zu überwinden gilt, um ML verstehen oder anwenden zu können. Selbst gestandene Computerwissenschaftler kämpfen damit, nicht wenige Menschen scheitern daran. Spätestens an diesem Punkt kommt die Frage auf, ob es einen Weg um die Mauer aus Zahlen herum gibt. Kann frau maschinelles Lernen lernen – ganz ohne Mathe? Die zwei Datenwissenschaftlerinnen Shannon Kehoe und Sarah Haq, haben mir eine Antwort auf diese Frage gegeben.

 

Ganz ohne Mathe geht es nicht

Zuerst die schlechte Nachricht: Beide Expertinnen stimmen darin überein, dass es keine Ausweichmöglichkeiten gibt. Wer maschinelles Lernen, Datenwissenschaften oder KI vollständig verstehen möchte, braucht Mathe. Zumindest bis zu einem gewissen Grad.

“Ich denke, es wäre unverantwortlich zu sagen, dass Mathematik nicht erforderlich ist.”

Sarah Haq

Keine Panik! Das heißt nicht, dass ein Doktor in Mathematik notwendig ist, um die Materie zu verstehen. Die Grundlagen ein paar klar definierter Teilbereiche reichen aus, um maschinelles Lernen oder Deep Learning im Kern zu verstehen und sogar anzuwenden. 

Wer schlechte Erinnerungen an seine Mathestunden in der Schule hat, für den habe ich außerdem eine gute Nachricht: Mathe hat sich in den letzten 20 Jahren verändert. Nun ja, nicht Mathe selbst, aber der Zugang zum notwendigen Wissen. Zu meiner Schulzeit waren die einzigen drei Lernoptionen Schule, Nachhilfelehrer oder Bibliothek, bzw. Fachliteratur. Heute steht ein Arsenal an Webseiten, YouTube oder TikTok Videos, Spielen und Apps zur Verfügung, um Mathe zu verstehen. Das hat den Vorteil, dass das einst dröge Fach zum unterhaltsamen Zeitvertreib werden kann. Natürlich braucht es nach wie vor den Willen zu lernen und etwas Geduld bei der Anwendung des neu gewonnenen Wissens. Ganz ohne Anstrengung geht es nicht. 

@daniel.jung

Hypothesentest Ansatz🎬💯 Ausführliche Tutorials in meinem YT Channel – Link in Bio📲 #MathebyDanielJung #Stochastik #Hypothese #Testen #Hypothesen

♬ Originalton – Daniel Jung


Das notwendige Minimum an Mathewissen

Wenn Mathe also unvermeidbar ist, was ist das notwendige Minimum an Wissen, um maschinelles Lernen zu verstehen?

Wenn du dein Klassenzimmer zuletzt vor 20 Jahren von Innen gesehen hast, solltest du vermutlich mit einem Grundlagenkurs beginnen. Wer nicht mehr weiß, wie Brüche addiert, multipliziert oder dividiert werden oder die Grundlagen der Geometrie vergessen hat, fängt am besten damit an. Ansonsten reichen laut Shannon und Sarah die zwei folgenden Teilgebiete der Mathematik aus, um maschinelles Lernen anwenden zu können:

  • Wahrscheinlichkeitsrechnung (Stoff der 7. – 8. Klasse in Deutschland)
  • Statistik (Stoff der 11.-12. Klasse in Deutschland)

“Ein grundlegendes Verständnis von Regression zu haben, macht diese Modelle etwas weniger einschüchternd.”

Sarah Haq

Aus persönlicher Erfahrung kann ich berichten, dass das Verstehen der mathematischen Theorie hilft, maschinelles Lernen und Deep Learning wirklich zu erfassen. Es ist dazu nicht notwendig, die Formeln anwenden oder komplexe Gleichungen aufstellen zu können. Doch das Prinzip dahinter zu begreifen, macht einen deutlichen Unterschied.


Die Alternative, wenn Mathe keine Option ist

Wer an dieser Stelle verzweifelt aufschreit und seine angehende Karriere im KI-Bereich in Trümmern sieht, den kann ich beruhigen. Der Schlüssel zum Einstieg in die Branche liegt in den eigenen Stärken, wenn also Mathe nicht dazugehört, ist es vielleicht einer der anderen zwei Kerngebiete: Programmieren und Unternehmenssstrategie.

“Es gibt so viele verschiedene Berufe in diesem Bereich, wie z.B. KI-Product Owner oder Data Product Owner. Diese Jobs erfordern andere Fähigkeiten und sind weniger mathematisch. Es gibt viele Möglichkeiten, in KI und maschinelles Lernen einzusteigen. Mathematik sollte kein Hindernis für den Einstieg sein.”

Sarah Haq

“Es gibt eine Trifecta aus Informatik, Wirtschaft und Statistik. Maschinelles Lernen ist eine grundlegende Kombination der drei Teilbereiche.”

Shannon Kehoe

Algorithmen oder KI-Modelle müssen in ein technisches Produkt implementiert werden, was nur durch den geschickten Umgang mit Code möglich ist. Wer seine Leidenschaft im Programmieren findet, kann sich darauf konzentrieren.

“Wenn Menschen von Natur aus gut mit Sprachen sind, dann gelingt ihnen in der Regel auch das Programmieren.”

Sarah Haq

“Ich erinnere mich, dass ich von Python sehr eingeschüchtert war, also habe ich mit R angefangen. Es war viel einfacher, damit zu arbeiten.”

Shannon Kehoe

Um so ein Produkt zu erfinden, braucht es einen Produktmanager oder Wirtschafts-Strategen, der weiß, wann maschinelles Lernen einem Endverbraucher bei der Bedürfniserfüllung helfen kann. Wer außerdem weiß, wann ein Unternehmen von dem Einsatz von ML profitiert und damit einen Geschäftsfall (Business Case) belegen kann, ist in der KI-Welt bestens aufgehoben.

Der beste Weg, seine persönliche Stärke zu identifizieren, geht übers Ausprobieren: Grundlagenkurse in R+, Python (Programmieren), Datenwissenschaften oder KI für Business-Strategien gibt es wie Sand am Meer. Wer es ernst meint mit dem Einstieg in die Tech-Branche, sollte über diese drei Optionen schnell herausfinden können, welches Thema dem eigenen Können entspricht. Ist das geschafft, kann das Wissen erweitert und perfektioniert werden.


“Wirklich geholfen hat mir Data Camp. Die haben großartige Arbeit geleistet, um diese Konzepte aufzuschlüsseln, und sie haben Programme für R und Python.”

Shannon Kehoe


Ist E-Learning wirklich der Schlüssel zum Erfolg?

Das Ziel einer Wissensreise ist immer das Können. Wer diesen Schritt geschafft hat, kann seinen Erfolg nun demonstrieren. Dabei geht es nicht um den perfekten Code, aber um eine nachvollziehbare Dokumentation der praktischen Kenntnisse und eigenen Denkprozesse.

“Du musst dein Können beweisen, am besten durch eine vollständige Dokumentation deiner Projekte in GitHub. Zum Beispiel eine R Markdown-Datei mit einer grundlegenden Regression.”

Shennon Kehoe

Es gibt zahlreiche Organisationen, welche den kompletten Prozess mit ihren Studenten durchgehen. Dazu gehören zum Beispiel die Women in AI Academy, aber auch Girls Who Code. Für beide Anbieter ist fließendes Englisch erforderlich.

“Women in AI Academy ist zum Beispiel gut, weil sie all die verschiedenen Phasen im Lebenszyklus eines Datenwissenschafts-Projekts durchlaufen und dir anschließend ein Praktikum vermitteln.”

Sarah Haq

Wer diese Lernreise erfolgreich absolviert, hat gute Chancen im Anschluss ein Praktikum oder eine Stelle als Junior-Datenwissenschaftler zu ergattern, bzw. sein eigenes Projekt aufbauen zu können. 

Wer seine Karriere nicht noch einmal als Praktikant starten möchte, kann seine neu erworbenen Kenntnisse oft mit dem existierenden Wissen kombinieren. Wichtig ist eigentlich nur, dass Daten zur Verfügung stehen und im Idealfall die Unterstützung des Arbeitgebers gegeben ist.


Fazit

Wer maschinelles Lernen tatsächlich begreifen möchte, für den führt kein Weg um die Mathematik herum. Ein theoretisches Verständnis der zugrundeliegenden Konzepte ist zwingend erforderlich, die Tiefe beim Eintauchen in die weitere Materie aber beeinflussbar.

Der einfachste Weg ins Thema KI führt über das Zusammenspiel der eigenen Stärken mit einer der drei Kernkomponenten Datenwissenschaft, Programmieren und Unternehmensstrategie. Mit der notwendigen Neugier, Begeisterung und Geduld für das Lernen und der Hilfe neuer Lernformate, steht dem ersten eigenen ML Projekt damit nichts im Weg.

Viel Spaß beim Lernen!

Sarah Haq arbeitet seit kurzem als Data Engineer bei Artsy. In den letzten fünf Jahren arbeitete sie als Datenwissenschaftlerin an verschiedenen Machine-Learning-Projekten für Fitnessstudios bis hin zu Unterwäschefirmen.

Shannon Kehoe ist Datenwissenschaftlerin und Mitglied des Georgia Tech MS Analytics Advisory Board.

Bild: Canva

Tina

Tina Nord ist Marketing-Expertin, Autorin und Sprecherin. Die Kommunikationswirtin beschäftigt sich seit mehr als zehn Jahren mit Content Marketing. Seit 2016 erforscht Tina den Einfluss maschinellen Lernens auf Content und engagiert sich für die Repräsentation und Beteiligung von Frauen an der Entwicklung von KI.

Diese Artikel sind ebenfalls interessant:

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.