I
1. Maschinelles Lernen (ML)
Definition und Grundlagen: Maschinelles Lernen (ML) ist ein Teilgebiet der Künstlichen Intelligenz. Dabei lernen Computer selbstständig, Muster in Daten zu erkennen und Vorhersagen zu treffen, indem sie mit Beispielen (Trainingsdaten) trainiert werden, anstatt explizite Regeln zu erhalten. ML-Modelle verbessern ihre Vorhersagen in der Regel, je mehr und je vielfältigere Daten sie verarbeiten.
Lernformen im ML: Im ML werden verschiedene Lernansätze unterschieden:
- Überwachtes Lernen (Supervised Learning): Der Algorithmus wird mit gelabelten Datensätzen trainiert, d.h., die Trainingsdaten enthalten bekannte Ausgaben (Labels). Beispiele hierfür sind Bildklassifikation oder Spam-Erkennung.
- Unüberwachtes Lernen (Unsupervised Learning): Hier liegen keine Labels vor. Der Algorithmus sucht selbstständig nach Strukturen, Mustern oder Clustern in den Rohdaten.
- Bestärkendes Lernen (Reinforcement Learning): Die Modelle probieren verschiedene Lösungswege aus, die dann durch einen Schiedsrichter bewertet und belohnt werden.
- Halbüberwachtes Lernen (Semi-supervised Learning): Kombiniert Aspekte des überwachten und unüberwachten Lernens.
Anwendung: Klassisches ML ist oft die effektivere und günstigere Lösung für deterministische Probleme oder für Aufgaben mit strukturierten Daten und klaren Vorhersagezielen (z. B. Betrug, Nachfrage oder Abwanderung), bei denen der Einsatz von komplexerer KI unnötig und unzuverlässiger wäre.