Skip to main content

Das Know-How.

Seminare, Schulungen, Ausbildungen und Trainings

Maschinelles Lernen / Machine Learning


Maschinelles Lernen / Machine Learning

Definition

Maschinelles Lernen ist ein Teilbereich der Künstlichen Intelligenz (KI). Dabei geht es darum, dass ein Computerprogramm aus Daten lernt, ohne dass jeder einzelne Schritt explizit programmiert wird.

Statt nach festen Regeln zu arbeiten, nutzen solche Systeme mathematische Modelle, um Muster, Zusammenhänge oder Wiederholungen in den Daten zu erkennen. Der Algorithmus lernt also aus Beispielen – man sagt auch: Das System trainiert sich selbst.

Drei Arten des maschinellen Lernens

1. Überwachtes Lernen (Supervised Learning)

Hier lernt das System mit beschrifteten Daten. Das bedeutet: Zu jedem Datensatz ist das richtige Ergebnis schon bekannt.

Beispiel: Spamfilter für E-Mails

Ziel: Der Algorithmus soll automatisch erkennen, ob eine E-Mail Spam ist oder nicht.

Trainingsdaten (Beispiele):

E-Mail-Inhalt  Label
„Jetzt gewinnen!!! EUR 1.000 sofort“    SPAM
„Projektmeeting um 10 Uhr“  kein SPAM
„Nur heute: Viagra zum halben Preis“ SPAM
„Protokoll zur heutigen Besprechung“ kein SPAM

Was passiert beim Lernen?

Das System analysiert, welche Wörter und Muster typischerweise in Spam-E-Mails vorkommen – z. B. „Viagra“, „!!!“ oder „sofort“.

Was passiert bei neuen E-Mails?

Anhand des Gelernten trifft der Algorithmus eine Vorhersage, ob die neue Nachricht Spam ist; auch wenn er sie noch nie gesehen hat.

2. Unüberwachtes Lernen (Unsupervised Learning)

Hier arbeitet das System mit unbeschrifteten Daten – es gibt also keine Vorgaben, was „richtig“ oder „falsch“ ist. Das Modell versucht selbst, Strukturen oder Gruppen in den Daten zu erkennen.

Beispiel: Produktempfehlung im Online-Shop

Kundendaten:

Kunde                                    Gekaufte Produkte
A Laptop, Maus, Tastatur
B Shampoo, Duschgel, Seife
C Laptop, Monitor, USB-Kabel
D Duschgel, Seife, Rasierer
E Maus, Tastatur, USB-Kabel 

Was erkennt das System?

  • Es entdeckt Produktmuster: z. B. „Wer eine Tastatur kauft, kauft oft auch eine Maus“.
  • Es bildet Gruppen (Cluster): z. B. „Technikinteressierte“ vs. „Kosmetikinteressierte“.

Wichtig:

Das System weiß nicht, wie die Produkte heißen oder welche Zielgruppe dahintersteckt – es erkennt Muster ganz ohne Anleitung.

3. Bestärkendes Lernen (Reinforcement Learning)

Hier lernt das System durch Ausprobieren und durch Belohnung oder Bestrafung. Ziel ist es, durch Erfahrung herauszufinden, welche Entscheidungen langfristig die besten Ergebnisse bringen.

Beispiel: Schachspiel

  • Der Algorithmus testet verschiedene Spielzüge.
    • Nach jedem Zug bekommt er Feedback:
    • Belohnung: z. B. Figur geschlagen, Punkt gewonnen.
  • Bestrafung: z. B. Figur verloren, schlechter Zug.
  • Mit der Zeit entwickelt das System eine Strategie, die zu immer besseren Ergebnissen führt.

Diese Methode wird auch bei Robotik, Spielen oder automatisiertem Fahren eingesetzt; überall da, wo das System aktiv Entscheidungen trifft und daraus lernt.

Fazit

Maschinelles Lernen bedeutet: Lernen aus Erfahrung – mit Daten statt mit festen Regeln.

REFA Online-Seminar - live & interaktiv