ERFA KI - Machine Learning
Ort: Kommt noch
Hybrid - Online Teilnahme möglich
Anmeldung ab 1 Monat vorher möglich.
Agenda
- Einstieg & Motivation
- Grundidee von Machine Learning
- Hauptarten des Lernens
- Typischer ML-Prozess
- Beispiele aus der Praxis
- Chancen und Grenzen
Machine Learning (ML) ist ein Teilgebiet der Künstlichen Intelligenz, bei dem Computer aus Daten lernen, statt ausschließlich durch feste Regeln programmiert zu werden. Ziel ist es, Muster in Daten zu erkennen und daraus Vorhersagen, Entscheidungen oder Empfehlungen abzuleiten.
Ein typisches ML-System wird mit Beispieldaten trainiert. Aus diesen Daten berechnet es ein Modell, das später auf neue, unbekannte Daten angewendet wird. Beispiele sind Spam-Erkennung, Bilderkennung, Sprachverarbeitung, Produktempfehlungen, Betrugserkennung oder Qualitätskontrolle in der Industrie.
Es gibt drei zentrale Lernarten:
Überwachtes Lernen nutzt Daten mit bekannten Ergebnissen. Das Modell lernt zum Beispiel, ob eine E-Mail „Spam“ oder „kein Spam“ ist. Typische Aufgaben sind Klassifikation und Regression.
Unüberwachtes Lernen arbeitet mit Daten ohne vorgegebene Zielwerte. Das System sucht selbstständig Strukturen, etwa Kundengruppen oder ungewöhnliche Muster.
Bestärkendes Lernen basiert auf Belohnung und Bestrafung. Ein System lernt durch Ausprobieren, welche Handlungen langfristig zum besten Ergebnis führen, etwa bei Robotik oder Spielen.
Wichtige ML-Verfahren sind Entscheidungsbäume, Random Forests, Support Vector Machines, neuronale Netze und Deep Learning. Deep Learning ist eine spezielle Form des Machine Learning mit großen neuronalen Netzen, die besonders bei Bildern, Sprache und großen Datenmengen stark ist.
Die Qualität eines ML-Systems hängt stark von den Daten ab. Schlechte, verzerrte oder unvollständige Daten führen oft zu schlechten Ergebnissen. Außerdem besteht die Gefahr von Überanpassung: Das Modell lernt Trainingsdaten zu genau auswendig und funktioniert dann schlecht bei neuen Daten.
Machine Learning ist leistungsfähig, aber kein „magisches Denken“. Es erkennt statistische Zusammenhänge, versteht jedoch nicht automatisch Ursachen oder Bedeutung. Deshalb sind Datenqualität, Modellprüfung, Transparenz und menschliche Kontrolle entscheidend.
Quelle: GPT 5.5: