Maschinelles Lernen ist eine Anwendung der künstlichen Intelligenz (KI), die Systeme in die Lage versetzt, automatisch aus der Erfahrung selbst zu lernen und sich zu verbessern, ohne explizit programmiert zu werden. Der Schwerpunkt des maschinellen Lernens liegt auf der Entwicklung von Computerprogrammen, die auf Daten zugreifen und diese zum selbstständigen Lernen nutzen können.

Dieser Lernprozess beginnt mit Beobachtungen oder Daten, wie Beispielen, Erfahrungen aus erster Hand oder Anweisungen, in dem Bemühen, in den Daten nach Mustern zu suchen und auf der Grundlage der von uns zur Verfügung gestellten Beispiele in Zukunft bessere Entscheidungen zu treffen. Ihr primäres Ziel ist es, Computer in die Lage zu versetzen, ohne menschliches Eingreifen oder Zutun automatisch zu lernen und Handlungen entsprechend anzupassen.

Beaufsichtigte Algorithmen des maschinellen Lernens können das in der Vergangenheit Gelernte auf die neuen Daten anwenden, indem sie anhand von gekennzeichneten Beispielen zukünftige Ereignisse vorhersagen. Ausgehend von der Analyse eines bekannten Trainingsdatensatzes erzeugt der Lernalgorithmus eine abgeleitete Funktion, um Vorhersagen über Ausgabewerte zu treffen. t kann nach ausreichendem Training für jede neue Eingabe Ziele liefern. Der Lernalgorithmus kann auch seine Ausgabe mit der korrekten und vorhergesagten Ausgabe vergleichen und Fehler finden, um das Modell entsprechend zu modifizieren.

Im Gegensatz dazu werden unüberwachte Algorithmen des maschinellen Lernens verwendet, wenn die für das Training verwendeten Informationen weder klassifiziert noch etikettiert sind. Beim unüberwachten Lernen wird untersucht, wie Systeme eine Funktion zur Beschreibung einer Struktur ableiten können, die durch unmarkierte Daten verborgen ist. Das System versteht nicht das richtige Ergebnis, sondern untersucht die Daten und kann Schlussfolgerungen aus Datensätzen ableiten, um Strukturen zu beschreiben, die durch unmarkierte Daten verborgen sind.

Die halbüberwachten Algorithmen des maschinellen Lernens befinden sich auf halbem Wege zwischen überwachtem und unüberwachtem Lernen, da sie sowohl gekennzeichnete als auch nicht gekennzeichnete Daten für das Training verwenden – typischerweise eine kleine Menge gekennzeichneter Daten und eine große Menge nicht gekennzeichneter Daten. Die Systeme, die diese Methode verwenden, sind in der Lage, die Genauigkeit des Lernens erheblich zu verbessern. Gewöhnlich wird halb-überwachtes Lernen gewählt, wenn die erfassten gekennzeichneten Daten qualifizierte und relevante Ressourcen erfordern, um sie zu trainieren/aus ihnen zu lernen. Ansonsten erfordert die Erfassung nicht gekennzeichneter Daten im Allgemeinen keine zusätzlichen Ressourcen.

Verstärkende Algorithmen des maschinellen Lernens sind eine Lernmethode, die mit der umgebenden Umgebung interagiert, Aktionen erzeugt und Fehler oder Belohnungen entdeckt. Die Suche nach Versuch und Irrtum und verzögerten Belohnungen sind die wichtigsten Merkmale des Reinforcement Learning. Es ermöglicht Maschinen und Software-Agenten, automatisch das ideale Verhalten in einem bestimmten Kontext zu bestimmen, um die Leistung zu maximieren. Ein einfaches Belohnungsfeedback ist notwendig, damit der Agent lernt, welche Aktion am besten ist; dies wird als Verstärkungssignal bezeichnet.

Das maschinelle Lernen ermöglicht die Analyse riesiger Datenmengen. Während es in der Regel schnellere und genauere Ergebnisse liefert, um gewinnbringende Chancen oder gefährliche Risiken zu erkennen, kann es auch zusätzliche Zeit und Ressourcen erfordern, um ihn richtig zu schulen. Die Kombination des maschinellen Lernens mit künstlicher Intelligenz und kognitiven Technologien kann es bei der Verarbeitung großer Informationsmengen noch effektiver machen.