Maschinelles Lernen ist so etwas wie das Grundgerüst der Künstlichen Intelligenz. Ohne dieses Konzept wären heute viele alltägliche Anwendungen nicht mehr möglich – ganz egal, ob es um die Interpretation von Fitness-Daten, die Analyse von eingehenden E-Mails zur Identifikation von SPAM-Nachrichten oder die Auswahl an vorgeschlagenen Fotos auf dem iPhone geht. Generell unterscheidet man zwei unterschiedliche Lernansätze, wenn es um das Maschinelle Lernen geht: Supervised Learning und Unsupervised Learning.
Supervised Learning, oder auch überwachtes Lernen, wird zum Beispiel immer dann angewendet, wenn es um Klassifikationen, Empfehlungen, Imputationen oder Regressionen geht. Wenn es also darum geht, eine Funktion oder Herangehensweise zu finden, die es ermöglicht, bisher ungesehene oder unbekannte Beobachtungen innerhalb eines Datensets, einer bestimmten Klasse, oder einem Wert zuzuweisen und sie dann mit einem definierten Label zu versehen. Vereinfacht gesagt, weiß ich hier also schon vorher, wonach zu suchen ist und bringe dem System bei, die gesuchten Eigenschaften zu finden.
Unsupervised Learning, oder auch unüberwachtes Lernen, verfolgt das Ziel, bisher unbekannte Muster in Datensätzen zu erkennen. Dieser Ansatz funktioniert in der Regel nur bei besonders großen Datenmengen, die es ermöglichen, Clusterungen durchzuführen. Dabei ist häufig auch von Deep Learning die Rede – hierzu haben wir an dieser Stelle (https://pripares.com/2021/08/was-ist-eigentlich-deep-learning/) einen eigenen Artikel verfasst.
Beide Methoden haben ihre ganz eigenen Vor- und Nachteile. Supervised Learning hat klar definierte und verständliche Verfahren, die es ermöglichen, je nach Anwendungsfall, den bestmöglichen Ansatz zu finden. Unsupervised Learning ermöglicht die vollautomatisierte Erstellung von eigenen Modellen, die eine sehr präzise Prognose zu neuen Daten oder Inhalten ermöglichen.