Glossar

Unüberwachtes Lernen

Was ist Unüberwachtes Lernen?

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.

Themen

Machine Learning
Clustering
Grundlagen

KI.ordo ausprobieren

Agenten, Abläufe und Vorlagen in einem Arbeitsbereich – 24 Stunden kostenlos als Demo.

Demo starten

← Alle Begriffe

Verwandte Begriffe

Überwachtes Lernen

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.

Machine Learning
Training
+1

Clustering

Clustering ist ein Verfahren des unüberwachten Lernens, das Datenpunkte ohne vorgegebene Kategorien anhand ihrer Ähnlichkeit in Gruppen einteilt. So werden Muster sichtbar, die vorher niemand benannt hat – etwa Kundensegmente mit ähnlichem Kaufverhalten. Bei Texten hilft Clustering, Hunderte Kundenanfragen nach Themen wie Lieferung, Rechnung oder Reklamation zu ordnen und Schwerpunkte zu erkennen.

unüberwachtes Lernen
Gruppierung
+1

Vorlage

K-Means-Clustering

K-Means ist ein Verfahren des unüberwachten Lernens, das Datenpunkte in eine vorab festgelegte Zahl k von Gruppen einteilt. Es weist jeden Punkt dem nächstgelegenen Gruppenmittelpunkt zu und verschiebt diese Mittelpunkte so lange, bis sich die Zuordnung kaum noch ändert. Das Verfahren ist schnell und verständlich, setzt aber eine sinnvolle Wahl von k und vergleichbar skalierte Merkmale voraus. Beispiel: Kunden nach Kaufhäufigkeit und Warenkorbwert gruppieren.

Clustering
Unüberwachtes Lernen
+1

Vorlage

Dimensionsreduktion

Dimensionsreduktion verringert die Zahl der Merkmale eines Datensatzes, ohne die wesentlichen Informationen zu verlieren. Bekannte Verfahren sind die Hauptkomponentenanalyse (PCA) sowie t-SNE und UMAP, die oft zur Visualisierung dienen. Das beschleunigt Berechnungen, senkt das Risiko der Überanpassung und macht Daten anschaulich – etwa wenn Hunderte Kundenmerkmale auf eine zweidimensionale Karte gebracht werden, auf der ähnliche Kunden nah beieinanderliegen.

Datenanalyse
PCA
+1