Was ist Machine Learning?
Verstehen, Anwenden, Zukunft gestalten

Beim überwachten Lernen werden Deep-Learning-Modelle mit gelabelten Datensätzen trainiert, um eine Abbildung von Eingabedaten zu Zielwerten zu lernen. Ziel ist es, eine Funktion zu approximieren, die auch auf unbekannten Daten zuverlässige Vorhersagen ermöglicht. Zu den typischen Aufgaben gehören Klassifikation (z. B. Objektarten in Bildern) und Regression (z. B. Vorhersage numerischer Werte).

In der Bildverarbeitung kommen häufig Convolutional Neural Networks (CNNs) zum Einsatz, während für textbasierte Aufgaben meist Transformer-Modelle wie BERT oder GPT verwendet werden. Während des Trainings wird eine Verlustfunktion (z. B. Cross-Entropy bei Klassifikation) optimiert, die misst, wie gut die Modellvorhersagen zu den tatsächlichen Labels passen.

Beispiel:
Ein klassischer Anwendungsfall ist die Klassifikation von Bildern mit Katzen und Hunden. Jedes Bild ist mit dem korrekten Label („Katze“ oder „Hund“) versehen. Das neuronale Netz lernt, relevante visuelle Merkmale zu extrahieren – etwa Fellstruktur, Augenform oder Konturen – und diese mit den Zielklassen zu verknüpfen. Nach dem Training kann das Modell auch neue, nicht gesehene Bilder korrekt einordnen.

Erweiterungen & Best Practices:

• Transfer Learning: Anstatt ein Modell von Grund auf neu zu trainieren, wird ein bereits auf großen Datensätzen (wie ImageNet) vortrainiertes Modell verwendet und für die konkrete Aufgabe feinjustiert („Fine-Tuning“). Das spart Rechenzeit und liefert oft bessere Ergebnisse – besonders bei kleineren Datensätzen.

• Data Augmentation: Um Überanpassung (Overfitting) zu vermeiden, werden die Trainingsdaten künstlich erweitert – z. B. durch Drehen, Spiegeln oder Skalieren von Bildern. Dadurch wird das Modell robuster und generalisiert besser.

• Early Stopping, Dropout & Regularisierung: Techniken wie Early Stopping oder Dropout helfen dabei, das Modell nicht zu sehr an die Trainingsdaten zu überanpassen, sondern die Verallgemeinerung auf neue Daten zu fördern.

Im unbeaufsichtigten Lernen nutzt man unbeschriftete Daten, um verborgene Strukturen, Muster oder Gruppen innerhalb der Daten zu erkennen – ganz ohne vorgegebene Labels. Ziel ist es, die inhärente Datenverteilung zu verstehen und sinnvolle Repräsentationen zu lernen.

Im Deep Learning kommen dafür spezialisierte Architekturen und Lernverfahren zum Einsatz:

• Variational Autoencoders (VAEs) lernen eine komprimierte, probabilistische Repräsentation der Eingabedaten im sogenannten „Latent Space“. Sie eignen sich besonders für Aufgaben wie Anomalieerkennung, Datenkompression oder generatives Sampling, da sie die Wahrscheinlichkeitsverteilung der Eingabedaten modellieren.

• Contrastive Learning (z. B. SimCLR, MoCo) basiert auf dem Prinzip, ähnliche Datenpaare im Repräsentationsraum näher zusammenzubringen und unähnliche weiter voneinander zu entfernen. Diese Methode wird häufig in der Self-Supervised Learning-Forschung eingesetzt und hat sich als äußerst effektiv in der Vorverarbeitung (Pretraining) für viele downstream Tasks wie Klassifikation oder Clustering erwiesen.

Beispiel aus der Praxis:
In einem E-Commerce-Setting kann ein Unternehmen contrastive Lernverfahren einsetzen, um Nutzerverhalten auf der Plattform zu analysieren. Durch die Betrachtung ähnlicher Interaktionen (z. B. ähnliche Warenkörbe oder Browsing-Muster) kann das Modell eigenständig Verhaltensmuster erkennen und in einem semantischen Raum gruppieren – ohne explizites Labeling. Auch VAEs könnten genutzt werden, um typische Verhaltensweisen zu modellieren und von abweichendem (möglicherweise betrügerischem) Verhalten zu unterscheiden.

Beim semi-überwachten Lernen werden kleine Mengen an gelabelten Daten mit großen Mengen unbeschrifteter Daten kombiniert, um leistungsfähige Modelle zu trainieren. Dies ist besonders relevant in Deep-Learning-Anwendungen, bei denen das manuelle Labeln großer Datensätze kostenintensiv oder zeitaufwendig ist.

Moderne Ansätze nutzen neuronale Netzwerke, um aus beiden Datenarten – gelabelt und ungelabelt – gemeinsame Repräsentationen zu lernen. Methoden wie Pseudo-Labeling, Consistency Regularization oder Self-Supervised Pretraining kommen dabei häufig zum Einsatz. Auch generative Verfahren wie Variational Autoencoders (VAEs) oder GANs unterstützen das Lernen nützlicher Merkmale aus unbeschrifteten Daten.

Beispiel aus der Bilderkennung:
Stellen wir uns vor, ein Unternehmen entwickelt ein Modell zur Klassifikation medizinischer Bilddaten, z. B. zur Erkennung von Hautveränderungen. Nur ein kleiner Teil der Bilder ist von Expert:innen annotiert (z. B. als „gutartig“ oder „bösartig“), während Tausende weiterer Bilder unbeschriftet vorliegen. Durch semi-überwachtes Lernen kann das Modell zuerst auf den gelabelten Daten trainiert und anschließend durch die unbeschrifteten Bilder weiter verbessert werden – etwa indem es selbst Labels vorschlägt und daraus iterativ lernt. So lässt sich mit begrenztem manuellem Aufwand eine hohe Klassifikationsgenauigkeit erreichen.

Im verstärkenden Lernen interagiert ein Agent mit einer Umgebung, die formal oft als Markov Decision Process (MDP) modelliert wird. Ziel des Agenten ist es, durch wiederholte Interaktionen eine optimale Policy π* zu erlernen – also eine Strategie, die in jedem Zustand die Aktion mit dem höchsten erwarteten kumulierten Belohnungswert (Reward) wählt.

Das Lernen erfolgt durch Trial-and-Error, wobei der Agent durch eine Reward-Funktion Rückmeldung über den Erfolg seiner Handlungen erhält. Typische Trainingsverfahren basieren auf Q-Learning, Deep Q-Networks (DQN) oder Policy-Gradient-Methoden, bei denen neuronale Netzwerke eingesetzt werden, um komplexe Zustands-Aktions-Räume zu modellieren.

Reinforcement Learning findet Anwendung in Bereichen wie Robotik, autonomer Navigation, Steuerungssystemen oder auch in der Spieleentwicklung – etwa beim Training von Agenten, die komplexe Spiele wie Go, Schach oder Videospiele meistern. In solchen Szenarien lernt der Agent nicht durch direkte Vorgaben, sondern durch das gezielte Optimieren seines Verhaltens über viele Episoden hinweg.