Machine Learning

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.