Machine Learning (ML)

Maschinelles Lernen (ML) ist ein Teilgebiet der künstlichen Intelligenz (AI), bei dem Computersysteme Muster aus Daten lernen, statt den von einem Programmierer festgelegten Regeln zu folgen. Ein mit ML entwickelter Spamfilter erhält keine Vorgabe dazu, welche Wörter auf Spam hindeuten. Er untersucht Tausende als Spam oder Nicht-Spam gekennzeichnete E-Mails, lernt die Muster selbst und wendet sie anschließend auf neue Nachrichten an. Arthur Samuel prägte den Begriff 1959, als er ein Dameprogramm entwickelte, das sich durch das Spiel gegen sich selbst verbesserte. Tom Mitchell formulierte später eine häufig zitierte Definition: Ein Programm lernt, wenn sich seine anhand einer Metrik gemessene Leistung bei einer Aufgabe mit zunehmender Erfahrung verbessert.

So funktioniert maschinelles Lernen#

Ein ML-Modell ist eine Funktion mit anpassbaren Parametern, von den wenigen Koeffizienten einer linearen Regression bis zu den Millionen Gewichten eines neuronalen Netzes. Beim Training werden Parameterwerte gesucht, mit denen die Vorhersagen des Modells auf den Trainingsdaten möglichst genau sind. Dazu wird in der Regel eine Verlustfunktion minimiert. Entscheidend ist die Generalisierung: Anschließend wird das Modell anhand zurückgehaltener Validierungsdaten und Testdaten bewertet, die es während des Trainings nie gesehen hat. Ein Modell, das auf Trainingsdaten gut, auf neuen Daten aber schlecht abschneidet, überanpasst: Es merkt sich Beispiele, statt das zugrunde liegende Muster zu lernen.

Dieses Beispiel mit scikit-learn trainiert einen Random Forest zum Erkennen handgeschriebener Ziffern und bewertet ihn mit Ziffern, die beim Training zurückgehalten wurden:

from sklearn.datasets import load_digits
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split

# 1,797 labeled 8x8 images of handwritten digits bundled with scikit-learn
X, y = load_digits(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=0)

# Fit learns decision rules from the labeled examples; no rules are hand-written
model = RandomForestClassifier(random_state=0)
model.fit(X_train, y_train)

# Score on digits the model never saw during training
print(f"Test accuracy: {model.score(X_test, y_test):.1%}")

Das Modell erreicht bei den 450 Testziffern eine Genauigkeit von 97.6 % und verwendet dabei nur Muster, die es aus den anderen 1,347 gekennzeichneten Beispielen gelernt hat.

Arten des maschinellen Lernens#

• Überwachtes Lernen: Lernt anhand gekennzeichneter Beispiele, bei denen jede Eingabe mit der richtigen Ausgabe verknüpft ist. Klassifikation, Regression und Objekterkennung sind Aufgaben des überwachten Lernens.
• Unüberwachtes Lernen: Erkennt Strukturen in nicht annotierten Daten, beispielsweise Kundensegmente, die durch k-Means-Clustering gefunden werden.
• Selbstüberwachtes Lernen: Erzeugt eigene Labels aus den Daten, etwa indem das nächste Wort eines Satzes oder ein verdeckter Bildausschnitt vorhergesagt wird. So werden große Sprachmodelle (LLMs) und andere Basismodelle vortrainiert.
• Bestärkendes Lernen: Ein Agent lernt durch Versuch und Irrtum, indem er in einer Umgebung Aktionen ausführt und sein Verhalten anpasst, um eine Belohnung zu maximieren.

Maschinelles Lernen im Vergleich zu KI, Deep Learning und Data Science#

Maschinelles Lernen liegt zwischen KI, dem umfassenden Ziel, intelligente Maschinen zu entwickeln, und Deep Learning (DL), dem Teilgebiet des ML, das tiefe neuronale Netze einsetzt und eigene Merkmale aus Rohdaten lernt:

Klassische Algorithmen wie Random Forests und XGBoost erzielen bei Tabellendaten weiterhin gute Ergebnisse, wenn jede Spalte, etwa Preis oder Alter, bereits ein aussagekräftiges Merkmal darstellt. Data Science ist ein verwandtes Fachgebiet, das ML neben vielen anderen Werkzeugen wie Statistik, Datenvisualisierung und Fachgebietsanalysen einsetzt, um Fragen anhand von Daten zu beantworten.

Der Lebenszyklus des maschinellen Lernens#

Ein Modell im Produktivbetrieb ist nie fertig. Teams erfassen und kennzeichnen Daten, trainieren und validieren ein Modell, stellen es bereit und überwachen seine Vorhersagen. Wenn die Genauigkeit nicht ausreicht oder sich die reale Welt verändert, greifen sie erneut auf die Daten zurück. Dieser Kreislauf ist Gegenstand des Betriebs maschineller Lernsysteme (MLOps):

Für Computer Vision führt die Ultralytics Platform den gesamten Kreislauf an einem Ort aus: Teams laden Datensätze hoch und annotieren sie, trainieren Ultralytics YOLO26-Modelle auf Cloud-GPUs, stellen sie bereit und überwachen ihre Leistung im Produktivbetrieb.

Anwendungen in der Praxis#

• Computer Vision: Modelle erkennen Fehler in Produktionslinien, lesen medizinische Aufnahmen und steuern autonome Fahrzeuge.
• Verarbeitung natürlicher Sprache (NLP): Übersetzung, Suche, Chatbots und Spamfilterung basieren auf Modellen, die mit Text trainiert wurden.
• Empfehlungssysteme: Streaming- und E-Commerce-Plattformen ordnen Inhalte für jeden Nutzer anhand seines bisherigen Verhaltens.
• Zeitreihenprognosen: Modelle prognostizieren Produktnachfrage, Energieverbrauch und Geräteausfälle anhand historischer Daten.
• Anomalieerkennung: Banken bewerten jede Kartentransaktion innerhalb von Millisekunden mit anhand früherer Betrugsfälle trainierten Modellen und markieren ungewöhnlich wirkende Transaktionen.