Maschinelles Lernen
Maschinelles Lernen ist eine Teilmenge der künstlichen Intelligenz (KI). Das Ziel des maschinellen Lernens ist es, Algorithmen genauer und effizienter zu machen.
Algorithmen des maschinellen Lernens:
- Überwachtes maschinelles Lernen: Der Algorithmus erhält eine Reihe von Eingabedaten und die gewünschte Ausgabe, was bedeutet, dass er seine Vorhersagen mit bekannten Ausgaben aus dem Trainingssatz vergleichen und sie entsprechend anpassen kann, um die Genauigkeit zu verbessern.
- Unüberwachtes maschinelles Lernen: Bei dem der Algorithmus keine anderen Eingabedaten als die gewünschte Ausgabe erhält, muss er nach Mustern suchen, um zu lernen, welche Eingaben welche Ausgaben erzeugen sollen.
- Semi-überwachtes maschinelles Lernen: das zwischen überwachtem und unüberwachtem liegt, da es auch einige Eingabedaten abfragt, aber nicht so viel erfordert wie überwachtes ML.
Mustererkennung ist die gebräuchlichste Methode für maschinelles Lernen. Dies ist ein Prozess, bei dem Systeme aus Daten lernen und Muster erkennen können, um Vorhersagen zu treffen. Mustererkennung wird in vielen verschiedenen Bereichen bereits heute erfolgreich eingesetzt, unter anderem in der Medizin, im Marketing und auch in der Bauindustrie.