Anfänger
Was ist Machine Learning?
Machine Learning (ML) ist ein Teilgebiet der künstlichen Intelligenz, in dem Systeme Muster aus Daten oder Erfahrung lernen, um Vorhersagen, Klassifikationen, Empfehlungen oder Entscheidungen zu treffen, ohne für jeden Einzelfall ausdrücklich programmiert zu sein.
Was ist supervised learning?
Supervised Learning ist ein Machine-Learning-Ansatz, bei dem ein Modell aus Beispielen lernt, die Eingaben mit bekannten Zielausgaben oder Labels paaren. Das Modell nutzt diese gelabelten Beispiele, um Abbildungen zu lernen, die Vorhersage, Klassifikation oder Regression auf neuen Daten unterstützen können.
Wie unterscheidet sich Unsupervised Learning von Supervised Learning?
Verwenden Sie Supervised Learning, wenn gelabelte Eingabe-Ausgabe-Beispiele vorliegen; verwenden Sie Unsupervised Learning, wenn das Ziel darin besteht, Struktur ohne Labels zu entdecken.
Was ist Reinforcement Learning?
Reinforcement Learning (RL) ist ein Machine-Learning-Paradigma, bei dem ein Agent lernt, in einer Umgebung zu handeln, indem er Belohnungen oder Strafen für seine Handlungen erhält. Ziel ist es, eine Policy zu lernen, die die erwartete kumulative Belohnung über die Zeit maximiert.
Fortgeschritten
Was ist selbstüberwachtes Lernen?
Selbstüberwachtes Lernen ist ein Machine-Learning-Ansatz, der Trainingssignale aus unbeschrifteten Daten selbst erzeugt. Er wandelt Aspekte eines unüberwachten Problems durch Erzeugung von Ersatzlabels in überwachtes Lernen um und ist nützlich, wenn beschriftete Daten knapp, aber unbeschriftete Daten reichlich vorhanden sind.
Was ist semi-überwachtes Lernen?
Semi-überwachtes Lernen ist ein Machine-Learning-Ansatz, der beim Training sowohl beschriftete als auch unbeschriftete Daten verwendet. Er ist nützlich, wenn beschriftete Beispiele teuer oder begrenzt sind, aber größere Mengen unbeschrifteter Daten helfen können, Repräsentation, Klassifikation oder Vorhersage zu verbessern.
Was sind Trainingsdaten?
Trainingsdaten sind der Datensatz, mit dem ein Machine-Learning-Modell durch Anpassung seiner lernbaren Parameter trainiert oder angepasst wird. Qualität, Menge, Vielfalt, Labeling und Provenienz beeinflussen stark die Leistung, Zuverlässigkeit und Compliance-Position des entstehenden Modells.
Was ist Overfitting?
Overfitting tritt auf, wenn ein Modell die Trainingsdaten zu genau lernt, einschließlich Rauschen oder idiosynkratischer Details, und auf neuen Daten schlecht abschneidet. Es zeigt sich häufig durch hohe Trainingsleistung, aber schwächere Validierungs- oder Testleistung.
Was ist Underfitting?
Underfitting tritt auf, wenn ein Modell zu einfach oder unzureichend trainiert ist, um sinnvolle Muster in den Daten zu erfassen. Ein underfittetes Modell schneidet sowohl auf Trainingsdaten als auch auf neuen Daten schlecht ab, weil es die für die Aufgabe erforderlichen zugrunde liegenden Beziehungen nicht gelernt hat.
Was ist ein Entscheidungsbaum?
Ein Entscheidungsbaum ist ein interpretierbares überwachtes Lernmodell, das Entscheidungsregeln in einer baumartigen Struktur darstellt. Die Inferenz folgt einem Pfad vom Wurzelknoten über merkmalbasierte Bedingungen zu einem Blattknoten, der die vorhergesagte Klasse oder den vorhergesagten Wert liefert.
Experte
Was ist Deep Learning?
Deep Learning ist ein Teilgebiet des maschinellen Lernens, das neuronale Netze mit mehreren Schichten verwendet, um Repräsentationen und Muster aus Daten zu lernen.
Wie unterscheiden sich Klassifikation und Regression?
Verwende Klassifikation, wenn das Ziel eine Kategorie ist; verwende Regression, wenn das Ziel ein kontinuierlicher oder numerischer Wert ist.