Neuronale Netze & Deep Learning
Maschinelles Lernen und Neuronale Netze
Lernziele dieser Lektion
- Erklären können, was Maschinelles Lernen (ML) ist und wie es sich von klassischer Programmierung unterscheidet
- Den grundlegenden Ablauf von ML verstehen: Eingabe, Trainingsdaten, Modell, Ergebnis
- Wichtige Anwendungsgebiete von ML benennen können
- Den Aufbau eines einfachen neuronalen Netzes beschreiben: Knoten, Kanten, Gewichte, Schichten
Was ist Maschinelles Lernen?
Maschinelles Lernen (Machine Learning, ML) ermöglicht es einem Computer, aus Erfahrungen zu lernen und basierend auf diesen Erfahrungen Entscheidungen zu treffen – ohne dass jeder einzelne Schritt explizit programmiert werden muss.
Der Unterschied zur klassischen Programmierung
Bei der klassischen Programmierung schreibt ein Mensch genaue Regeln vor: „Wenn Temperatur > 30°C, dann zeige Warnung.“
Beim Maschinellen Lernen hingegen lernt das System diese Regeln selbst aus Daten. Es bekommt tausende Beispiele und erkennt eigenständig Muster. So kann es auch Probleme lösen, die mit klassischen Algorithmen nur schwer zu programmieren wären.
Wie funktioniert ML?
Der grundlegende Ablauf eines ML-Systems:
- Eingabe/Input: Neue Daten werden dem System zugeführt (z.B. ein Bild)
- Trainingsdaten: Das ML-Modell wurde zuvor mit vielen gelabelten Beispielen trainiert
- ML-Modell/Algorithmus: Verarbeitet die Eingabe anhand der gelernten Muster
- Ergebnis/Output: Das System trifft eine Entscheidung (z.B. „Das ist eine Katze“)
Dies ist nur ein kurzer Auszug. Die vollständige Lektion mit interaktiven Übungen und Lernfortschritts-Tracking gibt es nach Einlösung eines Einschreibeschlüssels.