Maschinelles Lernen ist ein Teilgebiet der künstlichen Intelligenz, bei dem Computer Muster aus Daten ableiten, statt jede Regel ausdrücklich programmiert zu bekommen. Je nach Aufgabe lernen Modelle aus beschrifteten Beispielen (überwacht), aus unbeschrifteten Daten (unüberwacht) oder durch Belohnung (bestärkend). Anwendungen reichen von Spamfiltern über Nachfrageprognosen bis zu Produktempfehlungen. Die Qualität hängt stark von Menge und Güte der Trainingsdaten ab.
Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.
Demo startenDeep Learning ist ein Teilbereich des maschinellen Lernens, der künstliche neuronale Netze mit vielen Schichten nutzt. Solche Netze lernen aus großen Datenmengen selbstständig, welche Merkmale wichtig sind – von Kanten in Bildern bis zu Bedeutungszusammenhängen in Texten. Deep Learning bildet die Grundlage heutiger Sprachmodelle, der Bild- und Spracherkennung sowie der maschinellen Übersetzung und benötigt meist viel Rechenleistung und Trainingsdaten.
Beim überwachten Lernen (Supervised Learning) lernt ein Modell aus Beispielen, bei denen die richtige Antwort bereits bekannt ist – etwa E-Mails mit der Markierung „Spam“ oder „kein Spam“. Daraus leitet es Regeln ab, um neue, unbekannte Fälle einzuordnen oder Werte vorherzusagen. Typische Aufgaben sind Klassifikation und Regression; der Aufwand liegt vor allem im Erstellen sauber beschrifteter Daten.
Beim unüberwachten Lernen (Unsupervised Learning) erhält ein Modell Daten ohne vorgegebene richtige Antworten und sucht selbstständig nach Strukturen. Typische Verfahren sind Clustering, das ähnliche Datensätze gruppiert, und Dimensionsreduktion, die viele Merkmale auf wenige wesentliche verdichtet. Unternehmen nutzen das etwa, um Kundengruppen zu entdecken oder ungewöhnliche Transaktionen aufzuspüren; die gefundenen Gruppen müssen anschließend fachlich gedeutet werden.
Reinforcement Learning (verstärkendes Lernen) ist ein Teilgebiet des maschinellen Lernens, bei dem ein Agent durch Versuch und Irrtum lernt. Er handelt in einer Umgebung, erhält für gute Ergebnisse Belohnungen und für schlechte Abzüge und entwickelt so eine Strategie, die den Gesamtnutzen maximiert. Bekannte Beispiele sind Programme, die Brettspiele wie Go meistern, Robotersteuerungen oder die Feinabstimmung von Sprachmodellen anhand menschlicher Bewertungen.
