2.4. Machine Learning

Vokabellernkarten zu Kernkonzepten rund um KI, ML, Lernarten, Datenaufbereitung und typische Anwendungen.

Künstliche Intelligenz (KI)

Fähigkeit von Maschinen, menschenähnliche Intelligenzleistungen zu erbringen, wie Lernen, Problemlösen, Entscheidungsfindung und Sprachverarbeitung; umfasst auch regelbasierte Systeme.

Machine Learning (ML)

Weiterentwicklung der klassischen Datenanalyse; Algorithmen erkennen automatisch Muster in Daten und leiten Modelle ab, die für Vorhersagen oder Entscheidungen genutzt werden.

ML-Algorithmus

Prozess, mit dem die Maschine aus Daten lernt.

Big Data

Große, komplexe Datensätze, bei denen manuelle Analyse unmöglich wäre; ML ist besonders nützlich hierfür.

ML-Modell

Ergebnis des Lernprozesses – eine Art universelle Formel, die Zusammenhänge in den Daten erfasst.

Fachwissen (Data Science)

Kenntnisse in Statistik, Datenverarbeitung und Domänenwissen, die Entwicklung guter Modelle ermöglichen.

Bilderkennung

Beispiel, bei dem ein ML-Modell Objekte (z. B. Katzen) auf Bildern identifiziert, trainiert mit Millionen Beispielbildern.

Datenvorbereitung

Vor dem Training notwendige Schritte wie Reinigung, Aufbereitung und Datenaufteilung in Trainings-, Validierungs- und Testdaten.

Datenreinigung

Entfernen fehlender oder fehlerhafter Werte aus dem Datensatz.

Datenaufbereitung

Normalisierung, Feature-Engineering und Extraktion relevanter Merkmale.

Trainingsdaten

Datenanteil zum Trainieren des Modells (oft ca. 70%).

Validierungsdaten

Datenanteil zur Optimierung von Hyperparametern (oft ca. 15%).

Testdaten

Datenanteil zur finalen Bewertung der Modellleistung (oft ca. 15%).

Hyperparameter

Parameter, die vor dem Training festgelegt werden (z. B. Lernrate).

Overfitting

Modell merkt sich Trainingsdaten statt zu generalisieren; führt zu schlechter Generalisierung.

Regularisierung

Techniken zur Verhinderung von Overfitting und zur Verbesserung der Generalisierung.

Underfitting

Modell ist zu einfach und erfasst Muster nicht; Lösung: komplexere Modelle, bessere Feature-Auswahl.

Datenverzerrung (Bias)

Wenn Trainingsdaten nicht repräsentativ sind, führen sie zu unfairen Vorhersagen.

Überwachtes Lernen

Lernt aus gelabelten Daten; Anwendungen: Klassifikation (z. B. Spam-Erkennung) und Regression (z. B. Preisvorhersage).

Unüberwachtes Lernen

Findet Muster in ungelabelten Daten; Anwendungen: Clustering (Kundensegmentierung) und Assoziationsanalyse.

Semi-supervised Learning

Kombiniert gelabelte und ungelabelte Daten; nützlich, wenn Labeling teuer ist (z. B. medizinische Diagnosen).

Reinforcement Learning

Lernt durch Belohnung/Bestrafung (z. B. autonome Roboter, Spiel-Intelligenz).

Deep Learning

Unterkategorie von ML, die neuronale Netze nutzt (z. B. Bild- und Spracherkennung).

Generative AI

Erzeugt neue Inhalte (z. B. ChatGPT, DALL-E).

Kreditwürdigkeit

ML-Anwendung zur Vorhersage des Ausfallrisikos von Krediten.

Empfehlungssysteme

Algorithmen schlagen personalisierte Inhalte basierend auf Nutzerverhalten vor.