Maschinelles Lernen (Machine Learning, ML) ist ein Teilgebiet der Künstlichen Intelligenz (KI).
Darunter versteht man Methoden, mit denen Computer aus Daten lernen, ohne dass man sie explizit für jede Aufgabe programmieren muss.
Kerngedanke
- Statt feste Regeln vorzugeben, bekommt das System viele Beispiele (Daten).
- Es erkennt darin Muster und Zusammenhänge.
- Mit diesem gelernten „Wissen“ kann es dann Vorhersagen oder Entscheidungen für neue, unbekannte Daten treffen.
Arten des Maschinellen Lernens
- Überwachtes Lernen (Supervised Learning)
- Training mit Eingaben + richtigen Antworten (Labels).
- Beispiel: Viele Fotos von Katzen/Hunden mit Beschriftung → Modell lernt, neue Bilder zu klassifizieren.
- Unüberwachtes Lernen (Unsupervised Learning)
- Nur Eingaben, keine Labels → Modell findet selbst Muster oder Gruppierungen.
- Beispiel: Kundensegmentierung im Marketing, Clusteranalyse.
- Bestärkendes Lernen (Reinforcement Learning)
- Lernen durch Ausprobieren und Belohnung/Bestrafung.
- Beispiel: Ein Roboter lernt laufen, ein Algorithmus lernt Schach oder Go zu spielen.
Beispiele im Alltag
- Spamfilter im E-Mail-Postfach.
- Produktempfehlungen bei Amazon oder Netflix.
- Spracherkennung (Siri, Alexa).
- Bilderkennung (z. B. in Google Fotos oder medizinischer Diagnostik).
- Autonomes Fahren (Erkennen von Verkehrszeichen, Fahrspur).
Unterschied zu Deep Learning
- Maschinelles Lernen = Oberbegriff für viele Methoden (z. B. Entscheidungsbäume, Support Vector Machines, neuronale Netze).
- Deep Learning = spezielles Teilgebiet, das besonders tiefe neuronale Netze nutzt.
Kurz gesagt:
Maschinelles Lernen bedeutet, dass Computer aus Daten Erfahrungen sammeln und dadurch selbstständig Muster erkennen und Entscheidungen treffen können, ohne für jede Situation neu programmiert zu werden.