Grundkonzepte des maschinellen Lernens

Terminologie der KI:

• Daten und Datensätze:

  • Trainingsdaten: Daten, die zur Erstellung und Anpassung des Modells verwendet werden.
  • Testdaten: Daten, die zur Bewertung der Leistung des Modells verwendet werden.
  • Merkmale (Features): Die beobachtbaren Eigenschaften oder Attribute der Daten.
  • Zielvariable (Target Variable): Die Variable, die vorhergesagt oder klassifiziert werden soll.

• Modelle:

  • Hypothesenraum: Der Raum aller möglichen Modelle, die zur Lösung eines Problems in Betracht gezogen werden können.
  • Modelltraining: Der Prozess des Lernens oder Anpassens eines Modells an die Trainingsdaten.
  • Modellbewertung: Der Prozess der Bewertung der Leistung eines Modells anhand der Testdaten.

• Algorithmen:

  • Algorithmen sind die spezifischen Methoden oder Verfahren, die verwendet werden, um ein Modell zu trainieren und anzupassen.

• Verlustfunktion (Loss Function):

  • Eine Funktion, die misst, wie gut oder schlecht ein Modell Vorhersagen trifft. Ziel ist es, diese Funktion zu minimieren.

• Optimierung:

  • Der Prozess der Anpassung des Modells, um die Verlustfunktion zu minimieren, häufig durch Algorithmen wie Gradientenabstieg.

• Überanpassung (Overfitting) und Unteranpassung (Underfitting):

  • Überanpassung: Das Modell passt sich zu stark an die Trainingsdaten an, sodass es nicht gut auf neue Daten generalisiert.
  • Unteranpassung: Das Modell ist zu einfach und erfasst die Muster in den Daten nicht gut genug.