2. Machine Learning

Es existieren drei Methoden des Machine Learnings: Das Überwachte Machine Learning basiert auf dem Konzept, dass eine Maschine aus Daten lernt und diese nach Beendigung der Lernphase auf andere Daten und Situationen überträgt. Algorithmen bauen beim maschinellen Lernen ein statistisches Modell auf, das auf Trainingsdaten beruht. Das heißt, das Modell merkt sich nicht einfach nur die Daten, mit denen es trainiert wurde, sondern es erkennt Muster und Gesetzmäßigkeiten in den Trainingsdaten. So kann das Modell ggfs. auch etwas Neues aus Daten lernen oder Gelerntes (Trainingsdaten) auf andere Daten (aktuelle Daten) anwenden, z. B. Vorhersagen machen. Bevor ein Modell als „trainiert“ gilt (Trainiertes Modell) und auf andere Daten angewendet wird, werden die Muster und Gesetzmäßigkeiten mit Hilfe von Testdaten evaluiert. Wenn die Güte des Modells (Modellgüte) als ausreichend betrachtet wird, dann wird das trainierte Modell angewendet. Auch die Ergebnisse des trainierten Modells sollten immer weiter geprüft werden, um zu erkennen, wenn sich z. B. alte Muster auf die neuen Daten nicht mehr sinnvoll anwenden lassen und somit ein neues Trainieren des Modells (Re-Training) veranlasst werden sollte.