Seite 1.2: Arten von Maschinellem Lernen
Es gibt drei Hauptkategorien (Paradigmen) des Maschinellen Lernens. Sie unterscheiden sich darin, wie das System lernt und welche Art von Daten es verwendet:
1. Ueberwachtes Lernen (Supervised Learning)
- Idee: Das Modell lernt von vielen Beispieldaten, die bereits korrekt "etikettiert" (gelabelt) sind. Jedes Beispiel besteht aus Eingabedaten und der dazugehoerigen korrekten Ausgabe.
- Analogie: Wie ein Schueler, der mit Aufgaben und den dazugehoerigen Loesungen lernt.
- Ziel: Eine Funktion oder Regel zu finden, die neue, unbekannte Eingabedaten korrekt einer Ausgabe zuordnet.
- Unterarten:
- Klassifikation: Die Ausgabe ist eine Kategorie (z. B. Spam/Kein Spam, Katze/Hund, Krank/Gesund).
- Regression: Die Ausgabe ist ein kontinuierlicher Wert (z. B. Preis eines Hauses, Temperatur morgen, erwartete Verkaufszahlen).
- Beispiele: Spam-Filter, Bilderkennung, medizinische Diagnosen, Preisvorhersagen.
2. Unueberwachtes Lernen (Unsupervised Learning)
- Idee: Das Modell erhaelt Daten ohne Etiketten und muss selbststaendig Muster, Strukturen oder Gruppierungen in den Daten finden.
- Analogie: Wie ein Detektiv, der ohne Vorwissen versucht, Zusammenhaenge in Beweismaterial zu finden.
- Ziel: Intrinsische Strukturen in den Daten zu entdecken.
- Unterarten:
- Clustering: Datenpunkte in Gruppen (Cluster) einteilen, sodass Punkte innerhalb einer Gruppe aehnlich und Punkte zwischen Gruppen unaehnlich sind (z. B. Kundensegmentierung).
- Dimensionsreduktion: Die Anzahl der Variablen (Dimensionen) reduzieren, waehrend die wesentliche Information erhalten bleibt (z. B. zur Visualisierung oder als Vorverarbeitung fuer ueberwachtes Lernen).
- Assoziationsregellernen: Beziehungen zwischen Elementen finden (z. B. "Kunden, die Produkt A kaufen, kaufen oft auch Produkt B").
- Beispiele: Kundensegmentierung, Themenfindung in Texten, Anomalieerkennung (z. B. Betrugserkennung).
3. Verstaerkendes Lernen (Reinforcement Learning)
- Idee: Ein "Agent" interagiert mit einer "Umgebung" und lernt durch Versuch und Irrtum. Fuer Aktionen erhaelt er Belohnungen (positiv) oder Bestrafungen (negativ).
- Analogie: Wie man einem Hund beibringt, Tricks zu machen, indem man ihn bei Erfolg belohnt.
- Ziel: Der Agent soll eine Strategie (Policy) lernen, die seine langfristige Gesamtbelohnung maximiert.
- Schluesselkonzepte: Agent, Umgebung, Zustand, Aktion, Belohnung.
- Beispiele: Robotik (Laufen lernen, Greifen), Spiele meistern (Schach, Go, Atari-Spiele), Optimierung von Systemen (z. B. Ampelschaltungen), autonome Fahrzeuge.
In den folgenden Kapiteln werden wir uns detaillierter mit spezifischen Algorithmen aus diesen Kategorien beschaeftigen, beginnend mit der Regression aus dem Bereich des ueberwachten Lernens.