Beim überwachten Lernen werden dem Algorithmus zum Lernen Daten zur Verfügung gestellt, sodass für viele Beispiele die Eingabeparameter mit dem gewünschten Ergebnis (z. B. Zuordnung zu einer Klasse oder ein Zielwert) vorliegen (sogenannte Label). Während der Lernphase werden fortlaufend die Vorhersagen des Modells mit den erwünschten Ausgaben verglichen, um die Entscheidungsfindung des Modells gegebenenfalls durch Anpassung seiner Parameter zu korrigieren.

Beim unüberwachten Lernen werden dem Algorithmus Datensätze ohne zugeordnete Ausgabewerte zur Verfügung gestellt. Ziel des Lernverfahrens ist es, Strukturen in den Daten zu identifizieren, aus denen neue Informationen abgeleitet werden können. Die gängigsten Anwendungen hierfür sind das Clustering, bei dem ähnliche Datenpunkte anhand ihrer Eigenschaften gruppiert werden (z. B. zur Kundensegmentierung), und die Assoziationsanalyse, bei der Regeln gelernt werden mithilfe derer Assoziationen gezeichnet werden können (z. B. für Produktempfehlungen).

Beim bestärkenden Lernen versucht ein Agent, ein geeignetes Verhalten bzw. eine Strategie in seiner Umgebung zu lernen. Dabei kann der Agent verschiedene vordefinierte Aktionen durchführen, um ein bestimmtes Ziel zu erreichen. Durch Belohnung erwünschter Verhaltensweisen und Bestrafung unerwünschter Verhaltensweisen wird die bisherige Vorgehensweise angepasst. Beispielhafte Anwendungen finden sich unter anderem in der Robotik, indem z. B. ein Bewegungsablauf gelernt wird, in der Optimierung von Kontrollproblemen, wie z. B. Heizungssteuerung oder in Spielen, wie z. B. Go oder Schach.

Zuletzt geändert: Dienstag, 12. August 2025, 11:14