Machine Learning (ML) Algorithmen werden häufig grob in zwei Gruppen unterteilt: Supervised Learning Algorithmen und Unsupervised Learning Algorithmen.
Zur Erinnerung: Machine Learning ist ein Teilgebiet von Artificial Intelligence (AI) und beschreibt Algorithmen, die in der Lage sind, sich selbst durch Erfahrung zu verbessern.
Supervised ML Algorithmen sind die am häufigsten genutzte Form von ML und werden mit dem Ziel eingesetzt, präzise Vorhersagen auf Basis neuer Daten zu treffen. Hierzu benötigen die Algorithmen „beschriftete“ Datensätze, also Datensätze, bei denen jedem Input der korrekte Output zugeordnet ist. Anhand dieses Datensatzes ist der Algorithmus in der Lage, eine Funktion zu erlernen, die es ihm ermöglicht, auf Basis neuer Daten Vorhersagen zu treffen. Ein Beispiel für den Einsatz von Supervised ML Algorithmen ist die Spam Erkennung bei E-Mails.
Im Gegensatz zu Supervised ML Algorithmen benötigen Unsupervised ML Algorithmen keine beschrifteten Datensätze. Dies liegt daran, dass Unsupervised ML Algorithmen mit dem Ziel eingesetzt werden, Muster und Strukturen in Daten zu finden und/oder Information zu extrahieren. Im Vergleich zu Supervised ML Algorithmen sind Unsupervised ML Algorithmen meistens deutlich komplexer. Ein Beispiel für den Einsatz von Unsupervised ML Algorithmen sind Empfehlungssysteme, wie sie in Onlineshops eingesetzt werden.
Quelle (übersetzt): IBM
Schaden gut. Alles gut.
