{"id":4086,"date":"2021-01-13T04:02:32","date_gmt":"2021-01-13T04:02:32","guid":{"rendered":"https:\/\/lamarr-institute.org\/blog\/welche-arten-von-maschinellem-lernen-gibt-es\/"},"modified":"2025-11-12T14:52:34","modified_gmt":"2025-11-12T14:52:34","slug":"welche-arten-von-maschinellem-lernen-gibt-es","status":"publish","type":"blog","link":"https:\/\/lamarr-institute.org\/de\/blog\/welche-arten-von-maschinellem-lernen-gibt-es\/","title":{"rendered":"Welche Arten von Maschinellem Lernen gibt es?"},"content":{"rendered":"\n

Nachdem wir in unserem ersten Beitrag aus der „Grundlagen“<\/a> Rubrik darauf eingegangen sind, wie Maschinen lernen<\/a>, betrachten wir in diesem Beitrag der Reihe die Arten von Maschinellem Lernen. Dabei legt ein Paradigma fest, wie ein Algorithmus lernt. Wir schauen uns Paradigmen an, betrachten jedoch keine konkreten Algorithmen f\u00fcr das Lernen. Welches Paradigma eingesetzt wird, h\u00e4ngt von der Aufgabenstellung und der Art der Daten ab. Damit ein Paradigma genutzt werden kann, muss es als Verfahren implementiert werden. In diesem Blogebeitrag stellen wir f\u00fcnf Arten von Maschinellem Lernen vor: un\u00fcberwachtes, \u00fcberwachtes, semi-\u00fcberwachtes, aktives und reinforcement Lernen.<\/p>\n\n\n\n

Un\u00fcberwacht (unsupervised Learning):<\/strong> Beim un\u00fcberwachten Lernen gibt es keinerlei Feedback an den Algorithmus w\u00e4hrend des Lernens. Der Algorithmus versucht in diesem Fall, inh\u00e4rente Strukturen in den Daten zu erkennen und daraus zu lernen. Zu den un\u00fcberwachten Lernmethoden geh\u00f6ren alle \u00e4hnlichkeitsbasierten Verfahren, wie zum Beispiel die Clusteranalyse, welche \u00e4hnliche Objekte zu Gruppen zusammenfassen, oder einige Verfahren der Dimensionsreduktion. Ein allt\u00e4gliches Beispiel einer Dimensionsreduktion ist ein Schatten. Er liefert eine zweidimensionale Abbildung eines dreidimensionalen Gegenstandes. Stellen wir uns Daten als hochdimensionale Objekte vor, so k\u00f6nnen wir auch diese in niedrigere Dimensionen projizieren und so die Komplexit\u00e4t reduzieren.<\/p>\n\n\n\n

\"-
\u00a9 ML2R\n<\/figcaption><\/figure>\n\n\n\n

\u00dcberwacht (supervised Learning):<\/strong> \u00dcberwachtes Lernen zeichnet sich dadurch aus, dass zu jedem Trainingsbeispiel ein aktives Feedback m\u00f6glich ist. Das Feedback holt sich ein Algorithmus selbst\u00e4ndig aus den Trainingsdaten. Dies setzt voraus, dass die Trainingsdaten so beschaffen sind, dass zu jedem Datenpunkt die richtige Antwort bekannt ist. Ein klassisches Beispiel f\u00fcr \u00fcberwachtes Lernen ist das Trainieren von von Klassifikations- oder Regressionsmodellen. Diese Modelle sind weit verbreitet und sehr universell einsetzbar. Viele Fragen lassen sich als Wahr-Falsch-Fragen formulieren, z.B. ob ein Kunde k\u00fcndigen wird. Alle Fragen mit einer festen Anzahl an Antworten lassen sich als Klassifikationsproblem formulieren. L\u00e4sst sich eine Aufgabe als Vorhersage einer Zahl formulieren, wie etwa die Vorhersage einer Temperatur, so werden Regressionsmodelle eingesetzt.<\/p>\n\n\n\n

\"-
\u00a9 ML2R\n<\/figcaption><\/figure>\n\n\n\n

Semi-\u00fcberwacht (semi-supervised Learning):<\/strong> Im Semi-\u00fcberwachten Lernen gibt es zu einigen Beispielen das Feedback wie im \u00fcberwachten Lernen, zu einigen nicht. Dies ist beispielsweise h\u00e4ufig der Fall, wenn es darum geht, Betrug zu identifizieren. F\u00fcr alle entdeckten Betrugsf\u00e4lle ist bekannt, dass es sich um Betrug handelt. F\u00fcr alle \u00fcbrigen Daten ist die Wahrscheinlichkeit, dass es sich um Betrug handelt, gering. Es werden sich sehr wahrscheinlich jedoch noch unentdeckte Betrugsf\u00e4lle in den Daten verbergen.<\/p>\n\n\n\n

<\/p>\n\n\n\n

\"-
\u00a9 ML2R\n<\/figcaption><\/figure>\n\n\n\n

Reinforcement Learning:<\/strong> Das reinforcement Learning, zu Deutsch auch best\u00e4rkendes Lernen, unterscheidet sich von den vorhergehenden Lernformen dadurch, dass nicht zu jedem Datenpunkt ein Feedback existiert, sondern es ein Feedback h\u00e4ufig erst nach vielen Schritten gibt. Dies ist eine klassische Situation in vielen Spielen, bei denen es f\u00fcr das Gewinnen eines Spiels ein positives und f\u00fcr das Verlieren ein negatives Feedback gibt. Das Feedback steht in diesen F\u00e4llen erst am Ende des Spiels zur Verf\u00fcgung. Es wird dann auf alle durchgef\u00fchrten Z\u00fcge r\u00fcckgerechnet. F\u00fcr das Lernen einer guten Strategie muss ein Spiel mehrfach gespielt werden.<\/p>\n\n\n\n

\"-
\u00a9 ML2R\n<\/figcaption><\/figure>\n\n\n\n

Aktiv (active Learning):<\/strong> In einigen Anwendungsf\u00e4llen ist es unm\u00f6glich oder sehr teuer, die richtigen Antworten f\u00fcr alle Datenpunkte zu beziehen. Ein klassisches Beispiel sind Empfehlungssysteme. Kein Kunde ist willig, tausende von Filmen zu bewerten, um f\u00fcr sich passende Vorschl\u00e4ge zu erhalten. Daher funktionieren Empfehlungssysteme anders: Mit jedem Vorschlag, den das System macht und aus dem der Kunde einen Film ausw\u00e4hlt, erh\u00e4lt das System ein Feedback \u00fcber die Pr\u00e4ferenzen des Kunden. Indem das System aktiv ausw\u00e4hlt, welche Vorschl\u00e4ge ein potenzieller Kunde angezeigt bekommt, entscheidet es auch aktiv. Mehr Informationen zum Aktivem Lernen gibt es in unserem Blogbeitrag „Intelligenter Labeln mit Aktivem Lernen“<\/a>.<\/p>\n\n\n\n

Die Plattform Lernende Systeme erkl\u00e4rt anschaulich in ihrer YouTube-Reihe „So lernen Maschinen“<\/a> die einzelnen Arten des Maschinellen Lernens. Schaut dort f\u00fcr weitere Informationen vorbei!<\/p>\n","protected":false},"excerpt":{"rendered":"

Im Maschinellen Lernen gibt es verschiedene Paradigmen, nach denen Algorithmen trainiert werden. Sie unterscheiden sich in der Auswahl der Trainingsdaten und in der Art und H\u00e4ufigkeit des Feedbacks w\u00e4hrend der Trainingsphase.<\/p>\n","protected":false},"author":9,"featured_media":3889,"template":"","meta":{"_acf_changed":true,"footnotes":""},"blog-category":[1416,390],"blog-tag":[1443,1553,1587,1592,1615,1617],"class_list":["post-4086","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-alle-blogbeitraege","blog-category-grundlagen","blog-tag-aktives-lernen","blog-tag-ml-arten","blog-tag-reinforcement-learning-de","blog-tag-semi-ueberwachtes-lernen","blog-tag-ueberwachtes-lernen","blog-tag-unueberwachtes-lernen"],"acf":[],"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"_links":{"self":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4086","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/types\/blog"}],"author":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/users\/9"}],"version-history":[{"count":0,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog\/4086\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media\/3889"}],"wp:attachment":[{"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/media?parent=4086"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-category?post=4086"},{"taxonomy":"blog-tag","embeddable":true,"href":"https:\/\/lamarr-institute.org\/de\/wp-json\/wp\/v2\/blog-tag?post=4086"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}