02 - Maschinelles Lernen
Maschinelles Lernen
Ausgangslage:
Viele Probleme sind zu kompliziert, um sie mit einfachen Regeln zu beschreiben.
Ein klassischer Algorithmus kann nicht entworfen werden.
Lösungsansatz:
Ein System erkennt durch Daten selbstständig Zusammenhänge (z. B. durch eine Funktion wie f(x) = x² + 2x + 2).
Überwachtes Lernen (z. B. Gesichtserkennung)
- Trainingsdaten bestehen aus Eingabedaten mit zugehörigen Ausgaben (Labels).
- Das Modell lernt, die Beziehung zwischen Eingabe und Ausgabe zu erkennen.
- Nach dem Training kann es Vorhersagen für neue, unbekannte Eingabedaten machen.
Ziel: Vorhersagefähiges Modell für neue Daten.
Unüberwachtes Lernen (z. B. Kundensegmentierung, Betrugserkennung)
- Es gibt keine vorgegebenen Ausgabedaten (Labels).
- Das Modell erkennt Strukturen, Muster oder Gruppen in den Eingabedaten selbstständig.
Ziel: Neue Zusammenhänge entdecken, Gruppierungen erkennen.
Bestärkendes Lernen (z. B. Autonomes Fahren)
- Ein Agent trifft Entscheidungen in einer Umgebung.
- Für gute Entscheidungen gibt es Belohnung, für schlechte Strafe.
- Durch Wiederholung lernt der Agent, optimale Handlungen auszuführen.
Ziel: Maximierung der langfristigen Belohnung durch Lernen aus Erfahrung.