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 bekanntesten 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 wichtigsten Aufgaben des unüberwachten Lernens sind Clustering, Anomalieerkennung und Dimensionsreduktion.
Clustering
Gruppierung ähnlicher Datenpunkte in Cluster ohne Labels – beispielsweise das Gruppieren von E-Mails, ohne zu wissen, ob sie Spam sind oder nicht.
Anomalieerkennung
Identifikation von Datenpunkten, die von normalen Mustern abweichen, wie ungewöhnliche Kreditkartentransaktionen, ohne dass Betrugslabels benötigt werden.
Dimensionsreduktion
Reduktion der Anzahl von Merkmalen unter Beibehaltung wichtiger Informationen – ebenfalls ohne Labels.
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 verwendet 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.
Das Training eines Hundes zum Apportieren funktioniert ähnlich wie Reinforcement Learning: gute Aktionen bringen eine Belohnung, falsche Aktionen eine Strafe und das erfolgreiche Zurückbringen des Balls eine größere Belohnung, wodurch das gewünschte Verhalten verstärkt wird.
1. Um ein ML-Modell für eine überwachtes Lernaufgabe zu trainieren, muss der Trainingssatz ein Ziel (Label) enthalten. Ist das korrekt?
2. Um ein ML-Modell für eine unüberwachtes Lernaufgabe zu trainieren, ist es nicht erforderlich, dass der Trainingssatz ein Ziel (Label) 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 bekanntesten 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 wichtigsten Aufgaben des unüberwachten Lernens sind Clustering, Anomalieerkennung und Dimensionsreduktion.
Clustering
Gruppierung ähnlicher Datenpunkte in Cluster ohne Labels – beispielsweise das Gruppieren von E-Mails, ohne zu wissen, ob sie Spam sind oder nicht.
Anomalieerkennung
Identifikation von Datenpunkten, die von normalen Mustern abweichen, wie ungewöhnliche Kreditkartentransaktionen, ohne dass Betrugslabels benötigt werden.
Dimensionsreduktion
Reduktion der Anzahl von Merkmalen unter Beibehaltung wichtiger Informationen – ebenfalls ohne Labels.
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 verwendet 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.
Das Training eines Hundes zum Apportieren funktioniert ähnlich wie Reinforcement Learning: gute Aktionen bringen eine Belohnung, falsche Aktionen eine Strafe und das erfolgreiche Zurückbringen des Balls eine größere Belohnung, wodurch das gewünschte Verhalten verstärkt wird.
1. Um ein ML-Modell für eine überwachtes Lernaufgabe zu trainieren, muss der Trainingssatz ein Ziel (Label) enthalten. Ist das korrekt?
2. Um ein ML-Modell für eine unüberwachtes Lernaufgabe zu trainieren, ist es nicht erforderlich, dass der Trainingssatz ein Ziel (Label) enthält. Ist das korrekt?
Danke für Ihr Feedback!
