Teilgebiet der KI, in dem Modelle Muster aus Daten lernen, ohne explizit programmiert zu werden.
Machine Learning ermöglicht es Computerprogrammen, sich durch Erfahrung zu verbessern. Statt Regeln von Hand zu kodieren, werden statistische Modelle auf großen Datensätzen trainiert, bis sie die zugrundeliegenden Muster erkennen.
Die klassischen Lernparadigmen sind überwachtes Lernen mit gelabelten Daten, unüberwachtes Lernen ohne Labels sowie bestärkendes Lernen durch Belohnung und Bestrafung. Moderne Systeme kombinieren oft alle drei Ansätze.
Entscheidend ist die Generalisierungsfähigkeit: Ein Modell soll nicht nur Trainingsdaten auswendig lernen, sondern auf ungesehenen Daten gut abschneiden. Overfitting und underfitting sind die klassischen Probleme dabei.
Teilbereich des maschinellen Lernens, der tiefe neuronale Netze mit vielen Schichten einsetzt.
Lernverfahren, bei dem ein Modell auf gelabelten Eingabe-Ausgabe-Paaren trainiert wird.
Fehler, bei dem ein Modell Trainingsdaten auswendig lernt und auf neuen Daten schlecht generalisiert.
Optimierungsverfahren, das Modellparameter iterativ in Richtung des steilsten Fehlerabfalls aktualisiert.