Grundlagen des maschinellen Lernens: Lernarten, Trainings- und Testdaten, CRISP-DM
Was unterscheidet künstliche Intelligenz, maschinelles Lernen und Deep Learning? Der Artikel erklärt, wie ein Modell aus Beispieldaten lernt (Merkmale und Zielwert), welche Lernarten es gibt (überwacht, unüberwacht, bestärkend) und welche Aufgaben sich damit lösen lassen (Klassifikation, Regression, Clustering). Er zeigt, wie Daten aufbereitet werden, warum man Trainings- und Testdaten trennt, woran man Overfitting erkennt und wie man ein Modell beurteilt. Zum Schluss geht es um den Ablauf eines Projekts zum maschinellen Lernen und das Vorgehensmodell CRISP-DM.