Arten des Maschinellen Lernens
Überwachtes Lernen
Überwachtes Lernen ist eine Methode des maschinellen Lernens, bei der das Modell mit einem gelabelten Trainingsdatensatz trainiert wird.
Die gängigsten Aufgaben des überwachten Lernens sind:
-
Regression (zum Beispiel Vorhersage des Preises eines Hauses): Hierfür wird ein Trainingsdatensatz benötigt, der mit anderen Hauspreisen gelabelt ist;
-
Klassifikation (zum Beispiel Klassifizierung von E-Mails als Spam/Ham): Hierfür wird ein Trainingsdatensatz benötigt, der als Spam/Ham gelabelt ist.
Unüberwachtes Lernen
Unüberwachtes Lernen ist eine Methode des maschinellen Lernens, bei der das Modell mit einem nicht gelabelten Trainingsdatensatz trainiert wird.
Die beliebtesten Aufgaben des unüberwachten Lernens sind Clusterbildung, Anomalieerkennung und Dimensionsreduktion.
Clusterbildung
Prozess der Gruppierung ähnlicher Datenpunkte in Cluster. Eine Kennzeichnung der Daten ist hierfür nicht erforderlich. Beispielsweise genügt ein Trainingsdatensatz von E-Mails ohne die Labels Spam/Ham.
Anomalieerkennung
Prozess der Erkennung von Abweichungen vom normalen Datenverhalten. Beispiel: Betrugserkennung bei Kreditkartentransaktionen. Es ist keine Kennzeichnung als Betrug/Nicht-Betrug notwendig. Die Transaktionsinformationen werden dem Modell übergeben, das dann bestimmt, ob die Transaktion auffällig ist.
Dimensionsreduktion
Prozess der Reduzierung der Anzahl der Dimensionen unter Beibehaltung möglichst vieler relevanter Informationen. Auch hierfür sind keine Labels erforderlich.
Reinforcement Learning
Reinforcement Learning unterscheidet sich deutlich von den beiden vorherigen Typen. Es handelt sich um eine Technik, die zum Trainieren von selbstfahrenden Fahrzeugen, Robotern, KI im Gaming und mehr eingesetzt wird.
Reinforcement Learning ist eine Machine-Learning-Technik, bei der der Agent (z. B. Saugroboter) durch das Treffen von Entscheidungen lernt und eine Belohnung erhält, wenn die Entscheidung korrekt ist, sowie eine Strafe, wenn die Entscheidung falsch ist.
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 zurück zum Besitzer bringt.
1. Um ein ML-Modell für eine überwachtes Lernaufgabe zu trainieren, muss der Trainingssatz ein Ziel (muss gelabelt sein) enthalten. Ist das korrekt?
2. Um ein ML-Modell für eine unüberwachtes Lernaufgabe zu trainieren, ist es nicht erforderlich, dass der Trainingssatz ein Ziel (gelabelt) enthält. Ist das korrekt?
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
Awesome!
Completion rate improved to 3.13Arten des Maschinellen Lernens
Swipe um das Menü anzuzeigen
Überwachtes Lernen
Überwachtes Lernen ist eine Methode des maschinellen Lernens, bei der das Modell mit einem gelabelten Trainingsdatensatz trainiert wird.
Die gängigsten Aufgaben des überwachten Lernens sind:
-
Regression (zum Beispiel Vorhersage des Preises eines Hauses): Hierfür wird ein Trainingsdatensatz benötigt, der mit anderen Hauspreisen gelabelt ist;
-
Klassifikation (zum Beispiel Klassifizierung von E-Mails als Spam/Ham): Hierfür wird ein Trainingsdatensatz benötigt, der als Spam/Ham gelabelt ist.
Unüberwachtes Lernen
Unüberwachtes Lernen ist eine Methode des maschinellen Lernens, bei der das Modell mit einem nicht gelabelten Trainingsdatensatz trainiert wird.
Die beliebtesten Aufgaben des unüberwachten Lernens sind Clusterbildung, Anomalieerkennung und Dimensionsreduktion.
Clusterbildung
Prozess der Gruppierung ähnlicher Datenpunkte in Cluster. Eine Kennzeichnung der Daten ist hierfür nicht erforderlich. Beispielsweise genügt ein Trainingsdatensatz von E-Mails ohne die Labels Spam/Ham.
Anomalieerkennung
Prozess der Erkennung von Abweichungen vom normalen Datenverhalten. Beispiel: Betrugserkennung bei Kreditkartentransaktionen. Es ist keine Kennzeichnung als Betrug/Nicht-Betrug notwendig. Die Transaktionsinformationen werden dem Modell übergeben, das dann bestimmt, ob die Transaktion auffällig ist.
Dimensionsreduktion
Prozess der Reduzierung der Anzahl der Dimensionen unter Beibehaltung möglichst vieler relevanter Informationen. Auch hierfür sind keine Labels erforderlich.
Reinforcement Learning
Reinforcement Learning unterscheidet sich deutlich von den beiden vorherigen Typen. Es handelt sich um eine Technik, die zum Trainieren von selbstfahrenden Fahrzeugen, Robotern, KI im Gaming und mehr eingesetzt wird.
Reinforcement Learning ist eine Machine-Learning-Technik, bei der der Agent (z. B. Saugroboter) durch das Treffen von Entscheidungen lernt und eine Belohnung erhält, wenn die Entscheidung korrekt ist, sowie eine Strafe, wenn die Entscheidung falsch ist.
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 zurück zum Besitzer bringt.
1. Um ein ML-Modell für eine überwachtes Lernaufgabe zu trainieren, muss der Trainingssatz ein Ziel (muss gelabelt sein) enthalten. Ist das korrekt?
2. Um ein ML-Modell für eine unüberwachtes Lernaufgabe zu trainieren, ist es nicht erforderlich, dass der Trainingssatz ein Ziel (gelabelt) enthält. Ist das korrekt?
Danke für Ihr Feedback!
