Grundkonzepte des maschinellen Lernens
Completion requirements
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.
Last modified: Monday, 3 June 2024, 1:12 PM