1.1 Was ist Machine Learning?

“Machine Learning” ist einer Unterkategorie der künstlichen Intelligenz und vereint sämtliche mathematischen und statistischen Methodiken, um aus Daten Wissen zu generieren.

Eine weitere Unterteilung die im Grunde das Projekt, die Daten und die genutzten Algorithmen einordnen sind Supervised Learning und Unsupervised Learning. Die in diesen Kategorien anzutreffenden Methoden werden in den nachfolgenden Kapiteln behandelt. In einem Abschnitt erhält der Leser auch eine kurze Einführung in das Themengebiet des Reinforcement Learning, genauer in das aktuelle Forschungsgebiet Deep Reinforcement Learning. Mischformen wie beispielsweise das Semi-Supervised Learning werden nicht genauer in diesem Buch betrachtet.

Eine weitere Unterteilung die im Grunde das Projekt, die Daten und die genutzten Algorithmen einordnen sind Supervised Learning und Unsupervised Learning. Die in diesen Kategorien anzutreffenden Methoden werden in den nachfolgenden Kapitel behandelt. Weitere Kategorie stellen Reinforcement Learning und Mischformen wie z.B. Semi-Supervised Learning dar, welche nicht genauer in diesem Buch betrachtet werden.

• Supervised Learning: Die Datengrundlage bei überwachten Lernen liegt die sogenannte Zielvariable ($Y$) bei. Ein Modell in dieser Domäne wird entsprechend an die unabhängigen Variablen $x_0,\dots ,x_n$ antrainiert, um eine bestmögliche Trefferquote auf die Zielvariable $Y$ zu erhalten. Regressions- (Kapitel 3) oder Klassifikationsaufgaben (Kapitel 4 und 5) fallen in diesen Bereich.
• Unsupervised Learning: Beim unüberwachten Lernen fehlt dies Zielvariable im Datenbestand, es ist somit kein Wissen über eine mögliche Klasseneinteilung der Daten vorhanden. Die Methoden des Clustering ermöglich es jedoch, einen einblick in die Daten zu erhalten und mögliche Zusammenhänge aufzuzeigen. Die Themengebiete des Clusterings und der Assoziationsanalyse fallen in den Bereich des unüberwachten Lernens und werden in Kapitel 6 und 7 behandelt.