Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- de:modul:m245:learningunits:lu02:theorie:02 [2025/12/21 13:23] – vdemir
+++ de:modul:m245:learningunits:lu02:theorie:02 [2026/01/05 12:06] (aktuell) – vdemir
@@ Zeile 1: / Zeile 1: @@
-====== LU02a - Typen von Machine Learning - TBD ======
+====== LU02b - Typen von Machine Learning ======
-===== Wichtiges Vokabular im Zusammenhang mit Machine Learning  =====
+===== Varianten von Machine Learning Algorithmen =====
-Bevor wir tiefer in die Materie tauchen, sollten einige Begrifflichkeiten geklärt werden.
+Es gibt grundsätzlich drei Arten von Algorithmen im Bereich des maschinellen Lernens:
-**Trainingsdaten**
+  * **Supervided Learning (Überwachtes Lernen(** (Schwerpunkt im Kurs M245)
-Daraus lernt das Modell
+  * Unsupervided Learning (Unüberwachtes Lernen)
+  * Reinforcement Learning (Verstärkendes Lernen)
-**Testdaten**
+{{:de:modul:m245:learningunits:lu02:theorie:machine_learning_types.png?800|}}
-Damit prueft man, ob es wirklich gelernt hat
-**Overfitting**
-Modell lernt auswendig, versteht aber nichts
-**Underfitting**
-Modell versteht gar nichts
-**Generalisation**
-Das eigentliche Ziel
-===== Typen von Machine Learning =====
 ==== Superviced Machine Learning ====
@@ Zeile 82: / Zeile 72: @@
 ==== Wie läuft das Training ab? ====
-  - **Daten sammeln**: Mit korrekten Labels (der teuerste Teil)
+^ Schritt ^ Tätigkeit ^ Kommentar ^
-  - **Modell initialisieren:** Startet ahnungslos (wie Erstsemester)
+^ 1. ^ Daten sammeln | Mit korrekten Labels (der teuerste Teil) |
-  - **Vorhersage machen**: Modell rät
+^ 2. ^ Modell initialisieren | Startet ahnungslos (wie Erstsemester) |
-  - **Fehler berechnen**: Mean Squared Error(Abweichung von der Vorhersage), Cross-Entropy (Genauigkeit mit der Vorhersage)
+^ 3. ^ Vorhersage machen | Modell rät |
-  - **Modell anpassen**: Gewichte korrigieren (Gradient Descent)
+^ 4. ^ Fehler berechnen | Mean Squared Error(Abweichung von der Vorhersage), Cross-Entropy (Genauigkeit mit der Vorhersage) |
-  - **Wiederholen**: Bis Fehler klein genug oder Geduld am Ende
+^ 5. ^ Modell anpassen | Gewichte korrigieren (Gradient Descent) |
+^ 6. ^ Wiederholen | Bis Fehler klein genug oder Geduld am Ende |
 ==== Vor- und Nachteile ====
-^Vorteile ^Nachteile ^
+^ <color #22b14c>Vorteile</color> ^ <color #ed1c24>Nachteile</color> ^
-| Gute Ergebnisse, wenn viele korrekt gelabelte Daten da sind | Labels sind teuer und fehleranfällig |
+| <color #22b14c>Gute Ergebnisse, wenn viele korrekt gelabelte Daten da sind </color>| <color #ed1c24>Labels sind teuer und fehleranfällig</color> |
-| Relativ gut interpretierbar (je nach Modell) | Modell kann Bias der Trainingsdaten uebernehmen |
+| <color #22b14c>Relativ gut interpretierbar (je nach Modell)</color> | <color #ed1c24>Modell kann Bias der Trainingsdaten uebernehmen</color> |
-| Industriestandard fuer viele Anwendungen | Lernt nur das, was man ihm zeigt (keine Magie)|
+| <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