Wie funktioniert maschinelles Lernen?
Maschinelles Lernen lässt Computer Muster aus Daten lernen, statt feste Regeln zu programmieren. So entstehen Modelle, die Vorhersagen für neue Fälle treffen.
Maschinelles Lernen (ML) ist ein Teilgebiet der Künstlichen Intelligenz. Die Grundidee: Statt jede Regel von Hand zu programmieren, lernt ein Computer selbstständig Muster aus Beispieldaten und wendet sie auf neue, unbekannte Fälle an.
Das Prinzip in einem Satz
Ein ML-Modell bekommt viele Beispiele, passt seine internen Parameter so an, dass seine Vorhersagen möglichst gut zu den Beispielen passen (Training), und kann anschließend auch für neue Daten sinnvolle Ergebnisse liefern.
Drei Lernarten
- Überwachtes Lernen: Das Modell lernt aus Daten mit bekannter Antwort (z. B. Bilder mit Label „Katze"/„Hund"). Typisch für Klassifikation und Vorhersagen.
- Unüberwachtes Lernen: Das Modell findet selbst Strukturen in Daten ohne Labels – etwa Kundengruppen (Clustering).
- Bestärkendes Lernen: Ein Agent lernt durch Belohnung und Bestrafung, welche Aktionen sich lohnen – etwa in Spielen oder Robotik.
Training, Test und Overfitting
Daten werden in Trainings- und Testdaten geteilt. Wichtig ist, dass das Modell generalisiert und nicht nur die Trainingsbeispiele auswendig lernt. Tut es Letzteres, spricht man von Overfitting: Es glänzt auf bekannten Daten, versagt aber bei neuen.
Fazit
Maschinelles Lernen ersetzt starre Regeln durch Lernen aus Daten. Die Qualität hängt entscheidend von Menge und Sauberkeit der Daten ab – und davon, dass das Modell Muster verallgemeinert statt sie auswendig zu lernen.
Mehr zum Thema findest du in unserer Übersicht: Künstliche Intelligenz: Alle Artikel im Überblick.