Überwachtes Lernen

Die gängigsten Aufgaben des überwachten Lernens sind:

• Regression (zum Beispiel die Vorhersage des Preises eines Hauses): Dafür wird ein Trainingsdatensatz benötigt, der mit anderen Hauspreisen gekennzeichnet ist;

• Klassifikation (zum Beispiel die Einordnung von E-Mails als Spam oder Nicht-Spam): Dafür wird ein Trainingsdatensatz benötigt, der als Spam oder Nicht-Spam gekennzeichnet ist.

Unüberwachtes Lernen

Die beliebtesten Aufgaben des unüberwachten Lernens sind Clusterbildung, Anomalieerkennung und Dimensionsreduktion.

Clusterbildung

Dies ist ein Prozess der Gruppierung ähnlicher Datenpunkte in Cluster. Es ist nicht erforderlich, die Daten zu kennzeichnen. Zum Beispiel genügt ein Trainingsdatensatz von E-Mails ohne die Labels Spam/Ham.

Anomalieerkennung

Dies ist ein Prozess zur Erkennung von Abweichungen vom normalen Datenverhalten. Ein Beispiel ist die Betrugserkennung bei Kreditkartentransaktionen. Es ist nicht notwendig, Betrug/Nicht-Betrug zu kennzeichnen. Die Transaktionsinformationen werden einem Modell übergeben, das bestimmt, ob die Transaktion auffällig ist.

Dimensionsreduktion

Dies ist ein Prozess zur Reduzierung der Anzahl der Dimensionen bei gleichzeitiger Beibehaltung möglichst vieler relevanter Informationen. Auch hierfür sind keine Labels erforderlich.

Reinforcement Learning

Reinforcement Learning unterscheidet sich deutlich von den beiden vorherigen Typen. Es ist eine Technik, die zum Trainieren von selbstfahrenden Fahrzeugen, Robotern, KI im Gaming und mehr verwendet wird.

Stellen Sie sich vor, Sie trainieren einen Hund, einen Ball zu holen. Der Hund erhält eine Belohnung (wie ein Leckerli oder Lob), wenn er den Ball aufnimmt und näher zum Besitzer bringt. Er erhält eine Strafe (wie das Vorenthalten des Leckerlis oder einen enttäuschten Tonfall), wenn er in die falsche Richtung läuft oder abgelenkt wird. Zusätzlich erhält er eine große Belohnung, sobald er den Ball erfolgreich zurückbringt und dem Besitzer übergibt.