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 13:28] – [Wie läuft das Training ab?] 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 ======
  
-===== 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?600|}}
-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 ==== ==== Superviced Machine Learning ====
 //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 60: Zeile 50:
 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 =====
Zeile 91: Zeile 81:
  
 ==== Vor- und Nachteile ==== ==== 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 [[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/02.1766320091.txt.gz
  • Zuletzt geändert: 2025/12/21 13:28
  • von vdemir