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.