SnAIp/
KI

Maschinelles Lernen

Paradigmen maschinellen Lernens.

Hinter den jüngsten Entwicklungen im Bereich künstliche Intelligenz stecken vor allem maschinelle Lernverfahren. Das dazugehörige Fachgebiet Machine Learning beschäftigt sich mit Algorithmen, die sich durch Erfahrung im Laufe der Zeit verbessern. Maschinelles Lernen lässt sich in die drei Paradigmen überwachtes, unüberwachtes und verstärkendes Lernen unterteilen. Einige Autoren diversifizieren diese Kategorisierung weiter, z.B. durch das Hinzufügen von teilüberwachtem Lernen, einer Kombination aus überwachten und unüberwachten Ansätzen (Ayodele, 2010) oder evolutionärem Lernen (Marsland, 2014).

Beim überwachten Lernen (supervised learning) erhält der Algorithmus eine Reihe von Trainingsdaten mit entsprechenden Beschriftungen. Er lernt selbständig eine Verbindung zwischen Trainingsdaten und Beschriftung und kann diese dann auf beliebige Eingabedaten verallgemeinern.

Bei unüberwachtem Lernen (unsupervised learning) ist die Situation anders: Der Algorithmus erhält lediglich unbeschriftete Eingabedaten. Der Algortihmus identifiziert Ähnlichkeiten in den Eingabedaten, um die Daten zu klassifizieren oder Ausreißer zu finden.

Verstärkendes Lernen (reinforcement learning) ist ein von der Psychologie inspiriertes Paradigma des maschinellen Lernens: Der Agent lernt durch Belohnung und Bestrafung. Er lernt, eine bestimmte Aufgabe autonom durch Interaktion mit seiner Umgebung zu meistern, indem er versucht, die mögliche Belohnung zu maximieren.

Übersichtlich dargestellt sind die drei bekanntesten Paradigmen im Poster, das Sie hier herunterladen können.

Material:

stefan

Stefan Seegerer

Informatikdidaktiker mit Interesse für Coding, KI und alle Arten kreativer Unterrichtsideen.

Read More