Methoden des Maschinellen Lernen

Idee	Der Computer lernt aus Beispielen, bei denen die richtigen Antworten bereits bekannt sind.
Funktion	Wir geben dem Computer viele Beispiele mit den richtigen Antworten. Zum Beispiel: Bilder von Hunden und Katzen, bei denen jedes Bild beschriftet ist (Hund oder Katze). Der Computer lernt, diese Beispiele zu analysieren und Regeln zu entwickeln, um neue, unbekannte Bilder richtig zu erkennen.
Beispiel	Wenn du dem Computer 100 Bilder von Hunden und Katzen zeigst und ihm sagst, welche Bilder Hunde und welche Katzen sind, kann er lernen, neue Bilder zu identifizieren.
Zusammenfassung	Supervised Learning: Lernen mit bekannten Antworten.

Idee	Der Computer bekommt Daten ohne die richtigen Antworten und muss selbst Muster oder Gruppen finden.
Funktion	Der Computer analysiert die Daten und sucht nach Gemeinsamkeiten oder Gruppen, ohne dass wir ihm sagen, was er suchen soll. Er findet beispielsweise heraus, dass bestimmte Bilder ähnlich sind und bildet daraus Gruppen.
Beispiel	Wenn du dem Computer viele Bilder gibst, ohne zu sagen, ob es Hunde oder Katzen sind, wird er versuchen, die Bilder in Gruppen zu sortieren, die sich ähneln, z.B. eine Gruppe mit Hunden und eine Gruppe mit Katzen.
Zusammenfassung	Unsupervised Learning: Finden von Mustern ohne bekannte Antworten.

Idee	Der Computer lernt durch Ausprobieren und Belohnung oder Bestrafung.
Funktion	Der Computer führt Aktionen aus und erhält Feedback, ob diese gut oder schlecht waren. Er versucht, Belohnungen zu maximieren und Bestrafungen zu minimieren, indem er aus seinen Erfahrungen lernt.
Beispiel	Stell dir ein Computerspiel vor. Der Computer versucht, das Spiel zu spielen und erhält Punkte (Belohnung) für gute Züge und verliert Punkte (Bestrafung) für schlechte Züge. Mit der Zeit lernt er, wie man das Spiel am besten spielt.
Zusammenfassung	Reinforcement Learning: Lernen durch Ausprobieren und Feedback.