Arten des maschinellen Lernens
Diskriminativ oder generativ — das ist die eine Unterscheidung. Aber wie lernt ein System beim maschinellen Lernen überhaupt? Dafür gibt es drei grundlegende Arten, und jede funktioniert auf eine andere Weise.
Die drei Arten im Überblick
| Art | Gibt es Labels? | Wie lernt das System? | Typisches Beispiel |
|---|---|---|---|
| Überwacht | Ja — jeder Trainingsdatensatz hat ein Etikett | Vergleicht seine Vorhersage mit dem Etikett und korrigiert sich | Obst nach Foto sortieren |
| Unüberwacht | Nein — nur rohe Daten | Sucht selbständig nach Mustern und Gruppen | Kundensegmentierung |
| Bestärkend | Nein — sondern Belohnung/Bestrafung | Probiert aus, was die meiste Belohnung bringt | Spiel-KI lernt Schach |
Überwachtes Lernen
Stell dir vor, du hast Hunderte Fotos von Äpfeln und Birnen. Jedes Foto ist beschriftet: „Apfel" oder „Birne". Das System lernt aus diesen Beispielen, welche Merkmale (Farbe, Form, Größe) auf einen Apfel und welche auf eine Birne deuten. Wenn ein neues Foto kommt, ordnet es eine der beiden Kategorien zu.
Überwachtes Lernen arbeitet mit gelabelten Daten: Jeder Trainingsdatensatz trägt ein Etikett, das sagt, was die richtige Antwort ist. Das System lernt, von den Eingaben auf das Etikett zu schließen, und wird anhand seiner Trefferquote korrigiert.
Unüberwachtes Lernen
Jetzt hast du Hunderte Kundenprofile — Alter, Kaufverhalten, Wohnort —, aber keine Beschriftung. Niemand hat gesagt: „Das ist ein Sparertyp, das ein Premiumkunde." Das System sucht selbständig nach Gruppen von Kunden, die sich ähnlich sind, und bildet Cluster. Danach kannst du die Cluster interpretieren: „Cluster A sind junge Städter, Cluster B sind ältere Sparzahler."
Unüberwachtes Lernen arbeitet ohne Labels. Das System sucht selbständig nach Mustern, Gruppen oder Strukturen in den Daten. Es gibt keine vorgegebene richtige Antwort — das System entdeckt, was es findet.
Bestärkendes Lernen
Ein Computer lernt Schach spielen. Niemand sagt ihm, welcher Zug der beste ist. Stattdessen spielt er Millionen Partien und bekommt am Ende Belohnung (gewonnen) oder Bestrafung (verloren). Im Laufe der Zeit lernt er, welche Züge häufiger zu Belohnung führen, und optimiert seine Strategie.
Bestärkendes Lernen lernt durch Versuch und Irrtum mit Belohnung und Bestrafung. Das System wählt Aktionen, beobachtet das Ergebnis und passt sein Verhalten an, um die langfristige Belohnung zu maximieren.
Übersichtsdiagramm
flowchart TD
A["Trainingsdaten"] --> B{"Gibt es Labels?"}
B -->|"Ja"| C["Überwachtes Lernen"]
B -->|"Nein, aber Belohnung"| D["Bestärkendes Lernen"]
B -->|"Nein, nur rohe Daten"| E["Unüberwachtes Lernen"]
C --> F["Klassifikation / Vorhersage"]
D --> G["Optimale Strategie"]
E --> H["Cluster / Muster"]
Ordne die Beispiele zu.
Welche Art des maschinellen Lernens passt? Begründe jeweils kurz.
a) Ein System soll E-Mails in „Spam" und „kein Spam" einteilen und hat dafür 5000 bereits markierte E-Mails.
b) Ein Roboter soll Laufen lernen. Er kriegt Punkte, wenn er vorankommt, und verliert Punkte, wenn er fällt.
c) Ein Online-Shop möchte seine Kunden in Gruppen einteilen, ohne vorher zu sagen, welche Gruppen es gibt.
Tipp
Stelle dir die Frage: Was weiß das System im Voraus?
- Wenn es für jeden Trainingsdatensatz die richtige Antwort kennt → überwacht.
- Wenn es nur rohe Daten hat und selbst Muster suchen muss → unüberwacht.
- Wenn es durch Versuch und Irrtum Belohnung sammelt → bestärkend.