Lernverfahren, bei dem ein Modell auf gelabelten Eingabe-Ausgabe-Paaren trainiert wird.
Beim überwachten Lernen erhält das Modell zu jedem Trainingsbeispiel die korrekte Ausgabe (Label). Es lernt, eine Funktion zu approximieren, die Eingaben auf die gewünschten Ausgaben abbildet.
Typische Aufgaben sind Klassifikation, bei der diskrete Kategorien vorhergesagt werden, und Regression, bei der kontinuierliche Werte geschätzt werden. Beispiele sind Spam-Erkennung und Hauspreisschätzung.
Die Qualität der Labels ist entscheidend: Rauschen, Fehler oder Verzerrungen in den Trainingsdaten übertragen sich direkt auf das Modell. Label-Qualitätssicherung ist daher ein wesentlicher Bestandteil des ML-Workflows.
Teilgebiet der KI, in dem Modelle Muster aus Daten lernen, ohne explizit programmiert zu werden.
Feinjustierung eines vortrainierten Modells auf kuratierten Aufgaben-Antwort-Paaren zur Verhaltenssteuerung.
Mathematische Funktion, die den Fehler zwischen Modellvorhersage und tatsächlichem Zielwert misst.
Fehler, bei dem ein Modell Trainingsdaten auswendig lernt und auf neuen Daten schlecht generalisiert.