Maschinelles Lernen

KI im Unternehmen einsetzen: Einsatzfelder, Chancen, Risiken und Kosten

Wo lohnt sich künstliche Intelligenz in einem Unternehmen, und wo nicht? Der Artikel erklärt die Grundbegriffe (regelbasiert oder lernend, Training und Anwendung, generative KI, neuronale Netze), zeigt typische Einsatzfelder und wie Du in einem Ablauf sinnvolle Stellen für KI findest. Er ordnet Chancen und Risiken nach wirtschaftlichen und sozialen Aspekten, beschreibt, wie öffentliche Chat-KIs sicher genutzt werden, und rechnet Kosten und Einsparungen durch. Ein Vertiefungsteil zeigt, wie eine KI-gestützte Bilderkennung als Workflow aufgebaut, bewertet und datenschutzgerecht betrieben wird.

Klassifizieren mit Trenngeraden, k-nächsten Nachbarn und Entscheidungsbäumen

Wie ordnet ein Programm einen neuen Datensatz einer Klasse zu? Der Artikel stellt drei einfache Verfahren des überwachten Lernens vor: Trenngeraden (mit Geradengleichung, Klassifizieren durch Hinschauen und durch Rechnen, Auswahl einer guten Geraden und Test mit Testdaten), die k-nächsten Nachbarn (euklidische Distanz, Wahl von k, Aufbereitung der Daten) und Entscheidungsbäume nach ID3 (Entropie und Informationsgewinn). Zum Schluss vergleicht er die Verfahren und zeigt, wie Du eine Auswahl begründest.

Übungsaufgaben zu den Grundlagen des maschinellen Lernens

Zwei Übungsaufgaben: Du prüfst, ob sich in einer Freizeit-App vorhersagen lässt, wer zu einem Treffen nicht erscheint, ordnest dazu Begriffe, Lernarten und Daten ein und bereitest die Daten auf. Danach planst Du für einen Fahrrad-Onlineshop eine Rücksendeprognose nach CRISP-DM, teilst die Daten auf, erkennst Overfitting und Underfitting und beurteilst das Modell.

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.