Maschinelles Lernen (ML)
Maschinelles Lernen lässt Systeme aus Daten lernen, statt sie explizit zu programmieren. Ein Modell findet Muster in Beispielen und verallgemeinert auf neue Daten. Drei Lernarten dominieren:
1. Überwachtes Lernen (Supervised)
Das Modell lernt aus beschrifteten Beispielen: Eingabe → bekannte Ausgabe. Anwendungen: Spam-Erkennung, Bildklassifikation, Preisprognosen. Algorithmen: Entscheidungsbäume, Random Forest, Support Vector Machines, neuronale Netze.
2. Unüberwachtes Lernen (Unsupervised)
Das Modell findet Strukturen ohne Beschriftung: Cluster (k-Means), Anomalie-Erkennung, Dimensionsreduktion (PCA). Anwendungen: Kundensegmentierung, Fehlererkennung, Empfehlungen.
3. Bestärkendes Lernen (Reinforcement Learning)
Ein Agent lernt durch Belohnung und Bestrafung (Trial & Error). Anwendungen: Spiele (AlphaGo), Robotik, autonomes Fahren, dynamische Preisoptimierung.
Wichtige Konzepte
Training vs. Inference, Overfitting (lernt die Trainingsdaten auswendig), Trainings-/Test-Split, Metriken wie Accuracy und F1-Score. Für tiefe Netze siehe Deep Learning.
Weiterlesen: Neuronale Netze · LLMs verstehen · KI-Projekte starten