de:modul:m245:learningunits:lu02:theorie:02

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen Revision Vorhergehende Überarbeitung
Nächste Überarbeitung		 Vorhergehende Überarbeitung
de:modul:m245:learningunits:lu02:theorie:02 [2025/12/21 13:09] – vdemirde:modul:m245:learningunits:lu02:theorie:02 [2026/04/08 14:06] (aktuell) – vdemir
Zeile 1: Zeile 1:
-====== LU02a - Typen von Machine Learning - TBD ======+====== LU02b - Typen von Machine Learning ======
  
-===== Typen von Machine Learning =====+===== Varianten von Machine Learning Algorithmen ===== 
 +Es gibt grundsätzlich drei Arten von Algorithmen im Bereich des maschinellen Lernens:
  
-===== Wichtiges Vokabular im Zusammenhang mit Machine Learning  ===== +  * **Supervided Learning (Überwachtes Lernen(** (Schwerpunkt im Kurs M245) 
-Bevor wir tiefer in die Materie tauchen, sollten einige Begrifflichkeiten geklärt werden. +  * Unsupervided Learning (Unüberwachtes Lernen) 
- +  * Reinforcement Learning (Verstärkendes Lernen)
-**Trainingsdaten** +
-Daraus lernt das Modell +
- +
-**Testdaten** +
-Damit prueft man, ob es wirklich gelernt hat +
- +
-**Overfitting** +
-Modell lernt auswendig, versteht aber nichts +
- +
- +
-**Underfitting** +
-Modell versteht gar nichts +
- +
-**Generalisation** +
-Das eigentliche Ziel+
  
 +{{:de:modul:m245:learningunits:lu02:theorie:machine_learning_types.png?600|}}
  
  
Zeile 27: Zeile 14:
 //Supervised Learning// ist eine Art des maschinellen Lernens, bei dem Algorithmen **aus gekennzeichneten Datensätzen (Eingabe-Ausgabe-Paaren) lernen**, Eingaben den richtigen Ausgaben zuzuordnen, sodass sie genaue Vorhersagen oder Entscheidungen zu neuen, unbekannten Daten treffen können, beispielsweise zur Identifizierung von Spam oder zur Vorhersage von Immobilienpreisen.  //Supervised Learning// ist eine Art des maschinellen Lernens, bei dem Algorithmen **aus gekennzeichneten Datensätzen (Eingabe-Ausgabe-Paaren) lernen**, Eingaben den richtigen Ausgaben zuzuordnen, sodass sie genaue Vorhersagen oder Entscheidungen zu neuen, unbekannten Daten treffen können, beispielsweise zur Identifizierung von Spam oder zur Vorhersage von Immobilienpreisen. 
  
-{{:de:modul:m245:learningunits:lu02:theorie:supervicedlearning.png?800|}}+{{:de:modul:m245:learningunits:lu02:theorie:supervicedlearning.png?600|}}
  
 Es funktioniert, indem ein Modell anhand von Beispielen trainiert und seine internen Parameter angepasst werden, um Fehler zu minimieren. Es lässt sich grob in Klassifizierungsaufgaben (Kategorisierung von Daten) und Regressionsaufgaben (Vorhersage numerischer Werte) unterteilen und wird häufig bei den nachfolgenden Aufgaben eingesetzt:  Es funktioniert, indem ein Modell anhand von Beispielen trainiert und seine internen Parameter angepasst werden, um Fehler zu minimieren. Es lässt sich grob in Klassifizierungsaufgaben (Kategorisierung von Daten) und Regressionsaufgaben (Vorhersage numerischer Werte) unterteilen und wird häufig bei den nachfolgenden Aufgaben eingesetzt: 
Zeile 39: Zeile 26:
  
 Innerhalb des Moduls 245 werden wir uns auf diese Methode fokussieren. Innerhalb des Moduls 245 werden wir uns auf diese Methode fokussieren.
 +
 +{{:de:modul:m245:learningunits:lu02:theorie:machine_learning_grundlagen_-_supervised_learning.mp4|}}
  
 ==== Unsuperviced Machine Learning ==== ==== Unsuperviced Machine Learning ====
Zeile 54: Zeile 43:
   * Empfehlungssysteme    * Empfehlungssysteme 
  
----- +Innerhalb des Moduls 245 werden die diese Methode **nicht** angwenden.
-[[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir+
  
-Innerhalb des Moduls 245 werden die diese Methode nicht angwenden.+{{:de:modul:m245:learningunits:lu02:theorie:machine_learning_grundlagen_-_unsupervised_learning.mp4|}}
  
 ==== Reinforcement Learning ==== ==== Reinforcement Learning ====
 Reinforcement Learning (RL) ist eine Art des maschinellen Lernens, bei dem ein Agent lernt, optimale Entscheidungen zu treffen, indem er mit einer Umgebung interagiert und für seine Handlungen Belohnungen (positives Feedback) oder Strafen (negatives Feedback) erhält, ähnlich wie beim menschlichen Lernen durch Versuch und Irrtum, um ein Ziel zu erreichen. Es ist eine leistungsstarke Methode für KI, um komplexe Verhaltensweisen wie das Spielen von Spielen oder die Steuerung von Robotern ohne explizite Programmierung zu erlernen, wobei der Schwerpunkt auf der Maximierung der kumulativen Belohnungen im Laufe der Zeit liegt. Zu den Schlüsselelementen gehören der Agent, die Umgebung, Aktionen, Zustände, Belohnungen und eine Richtlinie (Strategie).  Reinforcement Learning (RL) ist eine Art des maschinellen Lernens, bei dem ein Agent lernt, optimale Entscheidungen zu treffen, indem er mit einer Umgebung interagiert und für seine Handlungen Belohnungen (positives Feedback) oder Strafen (negatives Feedback) erhält, ähnlich wie beim menschlichen Lernen durch Versuch und Irrtum, um ein Ziel zu erreichen. Es ist eine leistungsstarke Methode für KI, um komplexe Verhaltensweisen wie das Spielen von Spielen oder die Steuerung von Robotern ohne explizite Programmierung zu erlernen, wobei der Schwerpunkt auf der Maximierung der kumulativen Belohnungen im Laufe der Zeit liegt. Zu den Schlüsselelementen gehören der Agent, die Umgebung, Aktionen, Zustände, Belohnungen und eine Richtlinie (Strategie). 
  
-Innerhalb des Moduls 245 werden die diese Methode nicht angwenden. +Innerhalb des Moduls 245 werden die diese Methode **nicht** angwenden.
- +
-----+
  
 ===== Superviced Learning im Detail ===== ===== Superviced Learning im Detail =====
  
-===== Grundidee =====+==== Grundidee ====
 Wir haben einen Datensatz aus (x, y)-Paaren: Wir haben einen Datensatz aus (x, y)-Paaren:
   * x = Eingabedaten = Features, z.B. Bildpixel, Messwerte, Texteigenschaften   * x = Eingabedaten = Features, z.B. Bildpixel, Messwerte, Texteigenschaften
Zeile 75: Zeile 61:
 Das Modell sucht eine Funktion //y ≈ f(x)// und versucht, moeglichst wenig falsch zu liegen. Das Modell sucht eine Funktion //y ≈ f(x)// und versucht, moeglichst wenig falsch zu liegen.
  
-**Typische Aufgaben**+==== Typische Aufgaben ====
  
 ^ # ^ Klassifikation ^ Merkmal(Feature) ^Ziel (Label) ^ ^ # ^ Klassifikation ^ Merkmal(Feature) ^Ziel (Label) ^
Zeile 84: Zeile 70:
 | 5. | Kundenabwanderung (Churn Prediction) | Vertragslaufzeit, Monatliche Kosten,  Anzahl Support-Anfragen, Nutzungsintensitaet | Kunde bleibt, Kunde kuendigt | | 5. | Kundenabwanderung (Churn Prediction) | Vertragslaufzeit, Monatliche Kosten,  Anzahl Support-Anfragen, Nutzungsintensitaet | Kunde bleibt, Kunde kuendigt |
  
 +==== Wie läuft das Training ab? ====
  
-===== Wie läuft das Training ab? ===== +^ Schritt ^ Tätigkeit ^ Kommentar ^ 
- +^ 1. ^ Daten sammeln | Mit korrekten Labels (der teuerste Teil) | 
-  - **Daten sammeln**: Mit korrekten Labels (der teuerste Teil) +^ 2. ^ Modell initialisieren | Startet ahnungslos (wie Erstsemester) | 
-  - **Modell initialisieren:** Startet ahnungslos (wie Erstsemester) +^ 3. ^ Vorhersage machen | Modell rät | 
-  - **Vorhersage machen**: Modell rät +^ 4. ^ Fehler berechnen | Mean Squared Error(Abweichung von der Vorhersage), Cross-Entropy (Genauigkeit mit der Vorhersage) | 
-  - **Fehler berechnen**: Mean Squared Error(Abweichung von der Vorhersage), Cross-Entropy (Genauigkeit mit der Vorhersage) +^ 5. ^ Modell anpassen | Gewichte korrigieren (Gradient Descent) |  
-  - **Modell anpassen**: Gewichte korrigieren (Gradient Descent) +^ 6. ^ Wiederholen | Bis Fehler klein genug oder Geduld am Ende |
-  - **Wiederholen**: Bis Fehler klein genug oder Geduld am Ende +
- +
- +
-===== Vor- und Nachteile ===== +
- +
-**Vorteile ** +
-  * Gute Ergebnisse, wenn viele korrekt gelabelte Daten da sind +
-  * Relativ gut interpretierbar (je nach Modell) +
-  * Industriestandard fuer viele Anwendungen +
- +
-**Nachteile** +
-  * Labels sind teuer und fehleranfaellig +
-  * Modell kann Bias der Trainingsdaten uebernehmen +
-  * Lernt nur das, was man ihm zeigt (keine Magie)+
  
 +==== Vor- und Nachteile ====
 +^ <color #22b14c>Vorteile</color> ^ <color #ed1c24>Nachteile</color> ^
 +| <color #22b14c>Gute Ergebnisse, wenn viele korrekt gelabelte Daten da sind </color>| <color #ed1c24>Labels sind teuer und fehleranfällig</color> |
 +| <color #22b14c>Relativ gut interpretierbar (je nach Modell)</color> | <color #ed1c24>Modell kann Bias der Trainingsdaten uebernehmen</color> |
 +| <color #22b14c>Industriestandard fuer viele Anwendungen</color> | <color #ed1c24>Lernt nur das, was man ihm zeigt (keine Magie)</color>|
  
 ---- ----
 [[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir [[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir
  
  • de/modul/m245/learningunits/lu02/theorie/02.1766318954.txt.gz
  • Zuletzt geändert: 2025/12/21 13:09
  • von vdemir