Mojora AI

Grundlagen

Was ist Machine Learning?

Machine Learning verständlich erklärt: Lernen aus Daten, überwachtes und unüberwachtes Lernen, Training, Overfitting, Stärken und Grenzen.

Schwierigkeit
Einsteiger
Lesezeit
ca. 3 Min.
Aktualisiert
5.8.2026

Kurz erklärt

Machine Learning (maschinelles Lernen) ist der Teilbereich der Künstlichen Intelligenz, in dem ein Programm sein Verhalten nicht aus vorgegebenen Regeln bezieht, sondern aus Beispieldaten ableitet. Während des Trainings passt ein Algorithmus die Parameter eines Modells so an, dass die Abweichung zwischen Vorhersage und beobachtetem Ergebnis kleiner wird. Ein Modell gilt dann als gut, wenn es auch auf Daten funktioniert, die es im Training nie gesehen hat.

Warum gibt es Machine Learning?

Regelbasierte Programme werden unhandlich, sobald eine Aufgabe viele Ausnahmen kennt. Ein Regelwerk zur Betrugserkennung mit tausenden Sonderfällen ist weder wartbar noch vollständig. Maschinelles Lernen verschiebt den Aufwand: Statt Regeln zu schreiben, sammelt und pflegt man Beispiele.

Wie funktioniert maschinelles Lernen?

Der Ablauf ist in nahezu allen Verfahren gleich: Daten sammeln und aufbereiten, ein Modell auswählen, trainieren, auf zurückgehaltenen Daten bewerten, verbessern und schließlich anwenden. Entscheidend ist die Trennung von Trainings-, Validierungs- und Testdaten – nur so lässt sich prüfen, ob das Modell verallgemeinert oder nur auswendig gelernt hat.

DatenTrainingBewertungAnwendung
Der typische Kreislauf eines ML-Projekts.

Die drei klassischen Lernformen

  • Überwachtes Lernen: Zu jedem Beispiel ist die richtige Antwort bekannt (etwa Dokument → Kategorie). Am häufigsten in der Praxis.
  • Unüberwachtes Lernen: Es gibt keine Zielwerte, das Verfahren sucht Struktur – zum Beispiel Gruppen ähnlicher Kunden.
  • Bestärkendes Lernen: Ein System lernt durch Belohnung und Bestrafung aus dem Ergebnis seiner Handlungen, etwa in Steuerung und Spielen.

Ein einfaches Beispiel

Ein Handwerksbetrieb möchte die Dauer von Serviceeinsätzen schätzen. Aus 5.000 abgeschlossenen Aufträgen liegen Angaben zu Auftragsart, Objektgröße, Anfahrt und tatsächlicher Dauer vor. Ein Regressionsmodell lernt daraus den Zusammenhang und schätzt für neue Aufträge eine erwartete Dauer. Die Güte wird an Aufträgen gemessen, die nicht im Training enthalten waren.

Technischer Blick

Technischer Blick

  • Merkmale (Features): die Eingangsgrößen eines Modells. Ihre Auswahl bestimmt die Qualität oft stärker als der Algorithmus.
  • Verlustfunktion (Loss): misst, wie weit eine Vorhersage vom beobachteten Wert entfernt liegt.
  • Optimierung: ein Verfahren wie der Gradientenabstieg verändert die Parameter schrittweise in Richtung geringeren Verlusts.
  • Overfitting: Das Modell passt sich dem Rauschen der Trainingsdaten an und wird auf neuen Daten schlechter.
  • Kreuzvalidierung: mehrfaches Aufteilen der Daten, um die Güte belastbarer zu schätzen.

Stärken und Grenzen

  • Stärke: funktioniert dort, wo Regeln nicht formulierbar sind.
  • Stärke: verbessert sich, wenn mehr und bessere Daten vorliegen.
  • Grenze: ohne ausreichend saubere Daten kein brauchbares Modell.
  • Grenze: das Modell lernt Korrelationen, keine Ursachen.
  • Grenze: Datenverschiebung – ändert sich die Realität, veraltet das Modell still und leise.

Zusammenhang mit anderen KI-Technologien

Deep Learning ist eine Untermenge des maschinellen Lernens, die mit mehrschichtigen neuronalen Netzen arbeitet. Für strukturierte Tabellendaten sind klassische Verfahren wie Gradient Boosting häufig weiterhin die bessere Wahl.

Häufige Fragen – kurz beantwortet

Jede Antwort ist eigenständig verständlich, auch ohne den restlichen Artikel.

Was ist Machine Learning?

Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz, in dem ein Modell aus Beispieldaten statistische Muster ableitet, anstatt jede Regel explizit programmiert zu bekommen. Das Ergebnis des Lernvorgangs ist ein Modell, das auf neue, ähnliche Daten angewendet wird.

Was ist der Unterschied zwischen überwachtem und unüberwachtem Lernen?

Beim überwachten Lernen enthält jeder Trainingsdatensatz eine bekannte Zielgröße, etwa das korrekte Label eines Bildes. Beim unüberwachten Lernen fehlen diese Zielgrößen; das Verfahren sucht selbst Strukturen wie Gruppen oder Ausreißer. Überwachtes Lernen benötigt annotierte Daten, unüberwachtes Lernen liefert dafür keine direkt bewertbare Genauigkeit.

Was bedeutet Overfitting?

Overfitting bedeutet, dass ein Modell die Trainingsdaten einschließlich ihrer Zufälligkeiten auswendig abbildet und deshalb auf neuen Daten schlechter abschneidet. Erkennbar wird Overfitting daran, dass die Fehlerrate auf den Trainingsdaten sinkt, während sie auf zurückgehaltenen Testdaten steigt.

Wie viele Daten braucht Machine Learning?

Eine allgemeingültige Zahl gibt es nicht. Entscheidend sind Aufgabenkomplexität, Anzahl der zu unterscheidenden Fälle und Datenqualität; einfache Klassifikationen gelingen teils mit einigen Hundert sauber annotierten Beispielen, komplexe Aufgaben benötigen ein Vielfaches. Fehlerhafte oder unausgewogene Daten lassen sich nicht durch Datenmenge ausgleichen.

Wann ist Machine Learning die falsche Methode?

Machine Learning ist ungeeignet, wenn die Regeln eines Prozesses vollständig bekannt und stabil sind, wenn keine repräsentativen Daten vorliegen oder wenn jede Einzelentscheidung nachweisbar korrekt sein muss. In diesen Fällen sind deterministische Regeln oder klassische Software meist überlegen.

Einordnung im Wissensnetz

Hauptthema dieser Seite
Maschinelles Lernen
Verwandte Begriffe
Künstliche Intelligenz · Deep Learning · Überwachtes Lernen

Fachliche Grundlage: Künstliche Intelligenz. Der nächste Schritt im Lernpfad ist Deep Learning.

Quellen & weiterführendes Lernen

Belege für die fachlichen Aussagen dieses Artikels und ausgewählte externe Lernangebote. Externe Anbieter sind keine Partner von Mojora AI.

Quellen

  • Machine Learning

    Tom M. Mitchell · McGraw-Hill · 1997

    Klassische formale Definition des Lernbegriffs (S. 2).

  • The Elements of Statistical Learning (öffnet in neuem Tab)

    Trevor Hastie, Robert Tibshirani, Jerome Friedman · Springer, 2. Auflage · 2009

    Frei verfügbares Standardwerk zu statistischem Lernen, Training und Overfitting.

    hastie.su.domains

Weiterlernen