Machine Learning: Unterschied zwischen den Versionen
Aus FI-Wiki
Die Seite wurde neu angelegt: „'''Maschinelles Lernen (ML)''' ist ein Teilbereich der '''Künstlichen Intelligenz'''. Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden. == Grundprinzip == Ein Modell wird mit Beispieldaten trainiert und kann anschließend neue, unbekannte Daten bewerten. '''Ablauf:''' * Trainingsdaten bereitstellen * Modell lernen lassen * Modell anwenden (Vorhersage) == Arten des maschinell…“ |
Keine Bearbeitungszusammenfassung |
||
| Zeile 1: | Zeile 1: | ||
'''Maschinelles Lernen (ML)''' ist ein Teilbereich der '''Künstlichen Intelligenz'''. | '''Maschinelles Lernen (ML)''' ist ein Teilbereich der '''[[Künstliche_Intelligenz_Überblick|Künstlichen Intelligenz]]'''. | ||
Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden. | Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden. | ||
Aktuelle Version vom 10. April 2026, 06:32 Uhr
Maschinelles Lernen (ML) ist ein Teilbereich der Künstlichen Intelligenz. Dabei lernen Programme aus Daten, um Muster zu erkennen und Vorhersagen zu treffen, ohne explizit programmiert zu werden.
Grundprinzip
Ein Modell wird mit Beispieldaten trainiert und kann anschließend neue, unbekannte Daten bewerten.
Ablauf:
- Trainingsdaten bereitstellen
- Modell lernen lassen
- Modell anwenden (Vorhersage)
Arten des maschinellen Lernens
- Überwachtes Lernen (Supervised Learning)
* Lernen mit bekannten Ergebnissen (Labels) * Beispiel: Spam-Erkennung
- Unüberwachtes Lernen (Unsupervised Learning)
* Finden von Mustern ohne vorgegebene Ergebnisse * Beispiel: Kundengruppen (Clustering)
- Bestärkendes Lernen (Reinforcement Learning)
* Lernen durch Belohnung und Bestrafung * Beispiel: Spiele oder Robotik
Beispiele
- Spamfilter
- Produktempfehlungen
- Bilderkennung
- Betrugserkennung
Vorteile
- erkennt komplexe Muster
- automatisiert Entscheidungen
- verbessert sich mit mehr Daten
Nachteile
- benötigt viele Daten
- Ergebnisse nicht immer erklärbar
- abhängig von Datenqualität
Kurzmerksatz
Maschinelles Lernen erkennt Muster in Daten und trifft darauf basierend Vorhersagen.
