# Machine learning

Maschinelles Lernen (machine learning) beschreibt eine Vielzahl an Verfahren bzw. Algorithmen, die Computer dazu befähigen, ähnlich dem Lernprozess des menschlichen Gehirns, aus Erfahrung zu lernen und somit immer bessere Ergebnisse zu erzielen.

Eine oft zitierte Definition für maschinelles Lernen hat Tom M. Mitchell entwickelt:

"A computer program is said to learn from experience E with respect to some class of tasks T and performance measure P if its performance at tasks in T, as measured by P, improves with experience E.

Algorithmen die maschinelles Lernen ermöglichen, lassen sich weitestgehend in zwei Kategorien einteilen:

# Überwachtes Lernen (supervised learning)

Bei Überwachtem Lernen benötigt ein Algorithmus, nicht nur Trainingsdaten, die üblichweise in Vektorform vorliegen, sondern auch ein Ergebnis / eine Klassifizierung (labeled data), die aus den Rohdaten gezogen werden soll. Durch eine genügend hohe Anzahl an Trainingsbeispielen kann der Algorithmus schließlich auch unbekannte Daten klassifizieren.

Beispiele sind sämtliche Neuralen Netzwerke und Deep Learning Ansätze.

# Unüberwachtes Lernen (unsupervised learning)

Bei Unüberwachtem Lernen erfolgt eine Klassifizierung rein aus der statistischen Verteilung von Datenwerten. Der Algorithmus kann die Gewichtung verschiedener Eingabedaten nicht anhand von menschlichen Bewertungen anpassen. Beispiele sind Clustering-Algorithmen wie z.B. k-means oder Mustersegmentierung in der Bildverarbeitung.