Wie können Journalisten maschinelles Lernen (ML) nutzen, um ihre journalistische Arbeit zu verbessern? Dieser Frage werden wir in diesem Kurs nachgehen.

Der Kurs wird Ihnen helfen zu verstehen, in welchen Situationen maschinelles Lernen das richtige Tool zur Unterstützung Ihrer Berichterstattung ist, und wird Ihnen beibringen, wie Sie ein maschinelles Lernmodell trainieren können.

Dies ist eine Fortsetzung des Kurses Einführung in das maschinelle Lernen. Wenn Sie ihn noch nicht belegt haben, empfehlen wir Ihnen, dies zu tun, bevor Sie mit diesem Kurs fortfahren.

Einführung in das maschinelle Lernen untersucht das Potenzial, das das maschinelle Lernen für Nachrichtenorganisationen bietet, und erklärt, wie Journalisten es verantwortungsvoll nutzen können, um ihre Berichterstattung zu verbessern.

Dieser Kurs will einen Schritt weiter gehen und anhand eines realen Beispiels, das wir in der nächsten Lektion vorstellen werden, zeigen, welche Ergebnisse Journalisten mit Hilfe des maschinellen Lernens erzielen können. Wenn Sie lernen möchten, wie maschinelles Lernen in der Praxis funktioniert und wie Sie es für die Berichterstattung über Ihre Geschichten nutzen können, ist dieser Kurs genau das Richtige für Sie.

Werden Sie am Ende dieses Kurses ein Experte auf dem Gebiet des maschinellen Lernens und ein Datenwissenschaftler sein? Nein, sorry. Aber Sie werden die Schritte lernen, die die Funktionsweise der meisten maschinellen Lernprozesse verdeutlichen, und Sie werden in der Lage sein, selbstständig Experimente durchzuführen.

Bevor wir fortfahren, sollten wir sicherstellen, dass wir wissen, worüber wir sprechen. Was ist maschinelles Lernen?

Maschinelles Lernen ist Teil einer Sammlung von Technologien, die unter dem Oberbegriff „Künstliche Intelligenz“ (KI) zusammengefasst sind. Wie bei den meisten Begriffen auf dem Gebiet der künstlichen Intelligenz gibt es keine eindeutige Definition des maschinellen Lernens.

Vereinfacht ausgedrückt ist das maschinelle Lernen eine Technologie, die Daten zur Beantwortung von Fragen verwendet. Etwas formeller bezieht es sich auf die Verwendung von Algorithmen, die Muster aus Daten lernen und in der Lage sind, Aufgaben auszuführen, ohne explizit dafür programmiert zu sein. 

Darüber hinaus ist ein entscheidendes Merkmal von maschinellen Lernsystemen, dass sie ihre Leistung mit Erfahrung und Daten verbessern. Mit anderen Worten: sie lernen.

Sie sollten bedenken, dass es für eine Maschine nicht nur einen einzigen Weg des Lernens gibt. Unterschiedliche Herangehensweisen an maschinelles Lernen unterscheiden sich üblicherweise durch die Art der Probleme, die sie zu lösen versuchen, sowie durch die Art und den Umfang des gegebenen Feedbacks.

Im Großen und Ganzen können wir maschinelles Lernen in drei Teilbereiche unterteilen: 1) Überwachtes Lernen; 2) Unüberwachtes Lernen; 3) Verstärkendes Lernen. Lesen Sie die Einführung in das maschinelle Lernen, um mehr darüber zu erfahren, was diese drei Kategorien voneinander unterscheidet.

Für die Zwecke dieses Kurses konzentrieren wir uns auf das überwachte Lernen. Das bedeutet, dass wir anhand von gekennzeichneten Beispielen einen Algorithmus trainieren werden, um jedem neuen Beispiel, das wir zur Analyse auffordern, automatisch die richtige Kennzeichnung zuzuweisen.

Nachdem wir nun die Grundlagen nochmals wiederholt haben, sind wir bereit, diese Einführung zu beenden und weiterzumachen.

In den nächsten beiden Lektionen stellen wir eine Fallstudie vor, die unsere Übung mit einem konkreten journalistischen Beispiel und dem Algorithmus untermauert, den wir verwenden werden, um die Dynamik hinter den meisten maschinellen Lernprozessen zu verstehen.

Die folgenden Lektionen konzentrieren sich dann auf die praktische Schritt-für-Schritt-Anleitung: Wie Sie die Daten beschaffen und aufbereiten, wie Sie Ihr maschinelles Lernmodell trainieren und wie Sie seine Leistung testen und bewerten.

Die letzte Lektion fasst die wichtigsten Erkenntnisse zusammen, hilft Ihnen zu verstehen, wie Sie sie in Ihrer täglichen Berichterstattung anwenden können, und empfiehlt weitere Ressourcen, mit denen Sie noch tiefer in die Welt des maschinellen Lernens eintauchen können.