Unüberwachtes Lernen

Beinhaltet das Trainieren eines Modells auf einem unbeschrifteten Datensatz. Das Ziel ist es, verborgene Muster oder Strukturen in den Daten zu entdecken. Es ist so, als würde man einem Kind eine große Kiste mit LEGO-Steinen ohne Bauanleitung geben. Das Ziel ist es zu sehen, welche interessanten Strukturen oder Muster es von selbst entwickelt. Beispiele hierfür sind Clustering- und Dimensionsreduktionsaufgaben:

• Clustering: Das Ziel ist es, ähnliche Instanzen in Clustern zu gruppieren. Es ist so, als würde man sein Spielzeug in Gruppen ordnen, ohne dass einem gesagt wird, wie. Zum Beispiel könnte ein Geschäft Kunden in verschiedene Typen einteilen, um herauszufinden, wie man am besten für jeden Typ wirbt. Oder in sozialen Medien hilft es dabei, herauszufinden, wer in welcher Freundesgruppe ist.
• Dimensionsreduktion: Eine Technik, die die Komplexität hochdimensionaler Daten vereinfacht und gleichzeitig deren wesentliche Merkmale beibehält. Stellen Sie sich vor, Sie haben einen riesigen Rucksack voller Schulsachen, möchten ihn aber leichter machen. Dimensionsreduktion ist so, als würde man herausfinden, was wesentlich ist und was nicht, sodass man nur das trägt, was man wirklich braucht. Dies hilft beim Umgang mit zu vielen Informationen – etwa wenn man versucht, ein sehr komplexes Bild zu betrachten und es zu vereinfachen, damit es leichter zu verstehen ist.

Während wir in diesem Kurs verschiedene Algorithmen durchgehen, werden wir darüber sprechen, ob sie eher dem überwachten oder dem unüberwachten Lernen entsprechen.