Zurück zum Glossar
Maschinelles Lernen (ML)
Grundlagen
Algorithmen, die aus Daten Muster lernen statt fest programmiert zu sein.
Maschinelles Lernen optimiert Modellparameter so, dass aus Beispielen verallgemeinerbare Vorhersagen entstehen.
- Hauptarten: Überwacht, unüberwacht, bestärkend.
- Workflow: Datenaufbereitung → Training → Validierung → Test/Monitoring.
- Risiken: Overfitting, Datenleckage, Verteilungsverschiebungen (Data/Concept Drift).
- Good Practices: saubere Splits, Baselines, reproduzierbare Pipelines, Metriken passend zur Aufgabe.