Supervised Learning: Überwachtes Lernen und Entscheidungsbäume – KI – Themenpool

Lernziele dieser Lektion

Den Unterschied zwischen symbolischer und subsymbolischer KI erklären können
Die drei Machine-Learning-Paradigmen benennen und unterscheiden können
Den Ablauf von Supervised Learning verstehen
Einen Entscheidungsbaum aufbauen und evaluieren können
Klassifikation und Regression unterscheiden können

Symbolische vs. Subsymbolische KI – Wiederholung

In früheren Modulen haben wir symbolische KI kennengelernt: Systeme, die mit klar definierten Regeln und Abläufen arbeiten (z.B. Expertensysteme, Entscheidungsbäume mit festen Regeln). Die subsymbolische KI verfolgt einen anderen Ansatz: Hier lernen Algorithmen aus großen Datenmengen mithilfe statistischer Verfahren und erzeugen ein Modell, das Muster erkennt.

Vergleich

Symbolische KI: Eingabe → Algorithmen, Suche, Regeln, Abläufe → Ausgabe

Subsymbolische KI (Machine Learning): Eingabe → Algorithmen, statistische Verfahren, große Datenmengen → Modell

Paradigmen des maschinellen Lernens

Maschinelles Lernen lässt sich grundsätzlich in drei große Paradigmen unterteilen, die sich in ihrer Art des Lernens und den verfügbaren Daten unterscheiden:

Dies ist nur ein kurzer Auszug. Die vollständige Lektion mit interaktiven Übungen und Lernfortschritts-Tracking gibt es nach Einlösung eines Einschreibeschlüssels.