Kategorien von Aufgaben

Maschinelles Lernen kann für verschiedene Aufgabentypen eingesetzt werden, abhängig davon, ob das Ziel eine Vorhersage, Gruppierung oder Entscheidungsoptimierung ist. In diesem Kapitel werden die vier Hauptarten von ML-Aufgaben vorgestellt: Regression, Klassifikation, Clustering und Autonome Aufgaben.

Regression

• Sie ist eine Technik zur Vorhersage von kontinuierlichen Werten auf Basis von Eingabedaten.

• Sie wird genutzt, wenn das Ziel eine numerische Größe ist, z.B. Preis, Temperatur oder Umsatzprognose.

Beispiele

Immobilienpreise vorhersagen

Basierend auf Faktoren wie Größe, Lage und Baujahr.

Wettervorhersagen

Prognose der Temperatur für den nächsten Tag.

Finanzmarktanalysen

Vorhersage von Aktienkursen oder Umsatzentwicklungen.

Typische Algorithmen

• Lineare Regression

• Multiple Regression

• Polynomial Regression

• Neuronale Netze für kontinuierliche Vorhersagen

Klassifikation

Definition

• Klassifikation ist eine Methode zur Zuordnung von Datenpunkten zu diskreten Kategorien.

• Das Ziel ist, eine Entscheidung über eine vordefinierte Anzahl von Klassen zu treffen.

Beispiele

E-Mail-Spam-Erkennung

Klassifizierung von E-Mails als „Spam“ oder „Nicht-Spam“.

Diagnosen in der Medizin

Erkennung von Krankheiten anhand von Symptomen.

Bilderkennung

Identifizierung von Objekten auf Fotos (Hund vs. Katze).

Typische Algorithmen

• Entscheidungsbäume

• Random Forest

• Support Vector Machines (SVM)

• Neuronale Netze für Bilderkennung (CNNs)

Clustering

Definition

• Clustering ist eine Technik des unüberwachten Lernens, bei der Daten ohne vorherige Labels in Gruppen eingeteilt werden.

• Das Ziel ist es, Muster oder Strukturen in den Daten zu erkennen.

Beispiele

Kundensegmentierung

Kunden anhand ihres Kaufverhaltens in Gruppen einteilen.

Genanalyse

Identifikation von ähnlichen genetischen Mustern.

Betrugserkennung

Auffinden verdächtiger Transaktionsmuster.

Typische Algorithmen

• K-Means-Clustering

• DBSCAN (Density-Based Spatial Clustering)

• Hierarchisches Clustering

Autonome Aufgaben

Definition

• Autonome Aufgaben erfordern eine Kombination aus überwachtem, unüberwachtem und bestärkendem Lernen, um eigenständig Entscheidungen zu treffen und sich an neue Situationen anzupassen.

• Diese Aufgaben sind besonders anspruchsvoll, da sie oft Echtzeit-Entscheidungen erfordern.

Beispiele

Selbstfahrende Autos

Kombination aus Bilderkennung, Reinforcement Learning und Sensorfusion zur sicheren Navigation.

Industrielle Robotik

Roboter, die sich an neue Umgebungen anpassen und Produktionslinien optimieren.

Dynamische Preisgestaltung

Systeme, die in Echtzeit Preisentscheidungen treffen, basierend auf Angebot und Nachfrage.

Technologien

Reinforcement Learning (RL):

Algorithmen lernen durch Belohnungssysteme.

Neuronale Netze

Deep Learning wird genutzt, um Sensordaten zu verarbeiten.

Edge Computing

Echtzeit-Datenverarbeitung für schnelle Reaktionen.

Generative Aufgaben

Definition

• Generative KI zielt darauf ab, neue Daten zu erzeugen, die den Mustern der Trainingsdaten folgen, aber nicht identisch mit ihnen sind.

• Diese Technologie basiert auf Modellen, die durch unüberwachtes oder selbstüberwachtes Lernen trainiert werden und dann neue Inhalte generieren.

Beispiele

• Bildgenerierung:

  • Erstellung neuer Bilder auf Basis bestehender Stile (z.B. DeepDream, DALL·E).

  • Erstellung realistischer Gesichter mit GANs (z.B. „ThisPersonDoesNotExist.com“).

• Textgenerierung:

  • Chatbots wie ChatGPT, die menschenähnliche Texte generieren.

  • Automatische Textzusammenfassungen oder Artikelgenerierung.

• Musik und Audio:

  • KI-gestützte Musikkomposition (z.B. OpenAIs Jukebox).

  • Stimmenklonen und Deepfake-Audio.

• Code-Generierung:

  • KI-Systeme wie GitHub Copilot oder AlphaCode, die Programmiercode generieren.

• 3D- und Videogenerierung:

  • Synthese neuer 3D-Modelle für Videospiele oder Animationen.

  • KI-generierte Deepfake-Videos.

Typische Algorithmen

• Generative Adversarial Networks (GANs)

  • Lernen zwei konkurrierende Netzwerke: ein „Generator“ und ein „Diskriminator“.

  • Beispiel: Stiltransfer von Gemälden auf Fotos.

• Variational Autoencoders (VAEs)

  • Lernen eine kompakte Darstellung der Daten und können daraus neue Instanzen generieren.

• Transformer-Modelle (z.B. GPT, BERT, T5)

  • Werden für Text- und Codegenerierung eingesetzt.

• Diffusionsmodelle (DALL·E, Stable Diffusion)

  • Besonders leistungsfähig für hochwertige Bilderzeugung.

Zusammenfassung

• Generative KI ist eine eigene Aufgabenkategorie, da sie keine Vorhersage- oder Gruppierungsaufgabe erfüllt, sondern neue Inhalte erstellt.

• Sie nutzt tiefe neuronale Netze, insbesondere GANs, Transformer-Modelle und Diffusionsmodelle.

• Generative KI wird zunehmend wichtiger in Bereichen wie Kunst, Design, Code, Audio und Sprache.

Vergleich der ML-Aufgabentypen

Vergleich von Regression, Klassifikation, Clustering und autonomen Aufgaben

Merkmal	Regression	Klassifikation	Clustering	Autonome Aufgaben	Generative Aufgaben
Art der Vorhersage	Kontinuierlicher Wert	Diskrete Klassen	Gruppenbildung ohne Labels	Eigenständige Entscheidungsfindung	Erzeugung neuer Daten
Beispiele	Preisprognosen, Finanzanalysen	Bilderkennung, Spam-Filter	Kundensegmentierung, Anomalieerkennung	Selbstfahrende Autos, Industrieroboter	KI-generierte Bilder, Texte, Musik
Typische Algorithmen	Lineare Regression, neuronale Netze	Entscheidungsbäume, SVM	K-Means, DBSCAN	Reinforcement Learning, Deep Learning	GANs, VAEs, Transformer

Fazit

• Regression, Klassifikation und Clustering gehören zu den klassischen Aufgaben des maschinellen Lernens.

• Autonome Systeme sind eine anspruchsvolle Anwendung, die verschiedene ML-Techniken kombiniert.

• Je nach Daten und Zielsetzung kann eine Kombination dieser Methoden sinnvoll sein.