Machine Learning (ML)

Einfach erklärt

Machine Learning (ML) ist eine Methode, bei der Computer aus Daten lernen, anstatt für jede Aufgabe explizit programmiert zu werden. Statt dem Computer zu sagen “wenn X, dann Y”, gibst du ihm Beispiele und er findet die Regeln selbst.

Die drei Hauptarten von Machine Learning:

1. Supervised Learning (Überwachtes Lernen): Das Modell lernt aus gelabelten Beispielen. Du zeigst ihm Bilder mit der Beschriftung “Katze” oder “Hund”, und es lernt die Unterschiede.

2. Unsupervised Learning (Unüberwachtes Lernen): Das Modell findet selbst Muster in Daten ohne Labels. Zum Beispiel Kundensegmentierung – das Modell gruppiert ähnliche Kunden automatisch.

3. Reinforcement Learning (Bestärkendes Lernen): Das Modell lernt durch Versuch und Irrtum mit Belohnungen. So lernte AlphaGo, Go zu spielen – durch Millionen von Spielen gegen sich selbst.

Ein einfaches Beispiel:

Stell dir vor, du willst vorhersagen, ob ein Kunde kündigt:

1. Du sammelst historische Daten (Nutzungsverhalten, Beschwerden, Vertragslaufzeit)
2. Du markierst, welche Kunden gekündigt haben und welche nicht
3. Ein ML-Algorithmus findet Muster: “Kunden, die 3 Monate nicht eingeloggt waren und eine Beschwerde hatten, kündigen zu 80%”
4. Das Modell kann nun für neue Kunden eine Vorhersage treffen

Technischer Deep Dive

Supervised Learning im Detail

Die häufigste Form von ML. Das Modell lernt eine Funktion f(X) → Y aus gelabelten Trainingsdaten.

Klassifikation (diskrete Ausgabe):

• Logistische Regression
• Support Vector Machines (SVM)
• Random Forest / Decision Trees
• Gradient Boosting (XGBoost, LightGBM)
• Neuronale Netze

Regression (kontinuierliche Ausgabe):

• Lineare Regression
• Polynomial Regression
• Ridge / Lasso Regression
• Gradient Boosting Regression

Unsupervised Learning im Detail

Findet Strukturen in ungelabelten Daten.

Clustering:

• K-Means: Teilt Daten in k Gruppen basierend auf Distanz
• DBSCAN: Findet Cluster beliebiger Form basierend auf Dichte
• Hierarchisches Clustering: Baut eine Baumstruktur von Clustern

Dimensionsreduktion:

• PCA (Principal Component Analysis): Reduziert Features auf die wichtigsten Komponenten
• t-SNE / UMAP: Visualisierung hochdimensionaler Daten in 2D/3D

Der ML-Workflow

1. Datensammlung und -aufbereitung

• Feature Engineering: Relevante Merkmale aus Rohdaten extrahieren
• Datenbereinigung: Fehlende Werte, Ausreißer, Duplikate behandeln
• Train/Test Split: Typisch 80/20 oder 70/15/15 (Train/Validation/Test)

2. Modellauswahl und Training

• Baseline-Modell erstellen (z.B. einfache Regression)
• Verschiedene Algorithmen vergleichen
• Hyperparameter-Tuning (Grid Search, Random Search, Bayesian Optimization)

3. Evaluation

• Accuracy: Anteil korrekter Vorhersagen
• Precision: Wie viele der positiven Vorhersagen sind korrekt?
• Recall: Wie viele der tatsächlich positiven Fälle wurden erkannt?
• F1-Score: Harmonisches Mittel aus Precision und Recall
• AUC-ROC: Fläche unter der ROC-Kurve

4. Deployment und Monitoring

• Modell in Produktion bringen (API, Batch-Processing)
• Performance überwachen (Model Drift, Data Drift)
• Regelmäßiges Retraining mit neuen Daten

Häufige Probleme

Overfitting:

• Modell lernt Trainingsdaten auswendig statt zu generalisieren
• Lösung: Regularisierung, mehr Daten, Cross-Validation, Dropout

Underfitting:

• Modell ist zu einfach für die Daten
• Lösung: Komplexeres Modell, mehr Features, weniger Regularisierung

Bias-Variance Tradeoff:

• Hoher Bias = Underfitting (zu einfach)
• Hohe Varianz = Overfitting (zu komplex)
• Ziel: Optimaler Kompromiss zwischen beiden