Machine Learning

Machine Learning (ML) ist ein Teilgebiet der künstlichen Intelligenz, bei dem Algorithmen entwickelt werden, die aus Daten Muster erkennen und daraus Vorhersagen oder Entscheidungen ableiten können, ohne explizit programmiert zu werden. Der Kern besteht darin, Modelle zu trainieren – also die internen Parameter anhand von Beispieldaten so anzupassen, dass das Modell auf neuen, unbekannten Daten sinnvolle Ergebnisse liefert.

Grundprinzipien

Hauptkategorien

Modelltypen

Workflow (typisch)

1. Problemdefinition – Ziel, Eingabedaten, gewünschte Ausgabe festlegen.
2. Datensammlung – Rohdaten aus Datenbanken, APIs, Sensoren, Logfiles.
3. Datenaufbereitung – Säuberung, fehlende Werte behandeln, Normalisierung, Aufteilung in Training/Validierung/Test.
4. Feature Engineering – Erstellung sinnvoller Merkmale (z. B. Zeit‑Features, Text‑Embedding).
5. Modellauswahl – Baseline‑Modelle testen, komplexere Modelle iterativ hinzufügen.
6. Training – Hyperparameter‑Optimierung (Grid‑Search, Random‑Search, Bayesian Optimisation).
7. Evaluation – Kennzahlen berechnen, Kreuzvalidierung, Lernkurven prüfen.
8. Deployment – Modell in Produktion (REST‑API, Edge‑Device, Batch‑Jobs).
9. Monitoring – Drift‑Erkennung, Performance‑Tracking, Retraining‑Trigger.

Wichtige Konzepte

• Overfitting vs. Underfitting – Modell zu stark an Trainingsdaten angepasst vs. zu wenig Lernfähigkeit.
• Regularisierung – L1/L2‑Strafen, Dropout, Early Stopping, um Overfitting zu verhindern.
• Cross‑Validation – K‑fold oder Leave‑One‑Out, um stabilere Schätzungen der Modellleistung zu erhalten.
• Feature Importance / SHAP / LIME – Erklärungsansätze für schwarze‑Box‑Modelle.
• Bias‑Variance Trade‑off – Balance zwischen Modellkomplexität und Generalisierungsfähigkeit.

Tools & Bibliotheken

Anwendungsgebiete

• Finanzen – Kredit‑Scoring, Betrugs‑Erkennung, Algorithmischer Handel.
• Gesundheitswesen – Bilddiagnostik (Radiologie), Krankheitsvorhersage, Medikamenten‑Entdeckung.
• Handel & Marketing – Produktempfehlungen, Preisoptimierung, Kunden‑Churn‑Prognose.
• Industrie – Predictive Maintenance, Qualitätskontrolle, Prozessoptimierung.
• Sprach & Vision – Sprach‑zu‑Text, maschinelle Übersetzung, Objekterkennung, Gesichtserkennung.
• Autonome Systeme – Self‑Driving‑Cars, Drohnen‑Navigation, Robotik.

Risiken & ethische Aspekte

• Datenbias – Modelle übernehmen Vorurteile aus historischen Daten (z. B. Diskriminierung).
• Erklärbarkeit – Fehlende Transparenz kann Vertrauen und regulatorische Akzeptanz beeinträchtigen.
• Datenschutz – Verarbeitung persönlicher Daten muss DSGVO/GDPR‑konform sein.
• Robustheit – Anfälligkeit für adversarial attacks oder Daten‑Drift.
• Nachhaltigkeit – Große Modelle verbrauchen erhebliche Rechen‑ und Energie‑Ressourcen.

Best Practices

1. Saubere, repräsentative Daten – Vorverarbeitung, Balancierung, Anonymisierung.
2. Baseline‑Modell – Immer ein einfaches Modell zuerst testen, um Verbesserungen zu quantifizieren.
3. Modellinterpretierbarkeit – Einsatz von SHAP/LIME, besonders bei hochriskanten Entscheidungen.
4. Versionierung – Daten, Code und Modelle versionieren (DVC, Git‑LFS).
5. Kontinuierliches Monitoring – Daten‑ und Modell‑Drift frühzeitig erkennen und retrainen.
6. Ethik‑Check – Bias‑Analyse, Impact‑Assessment und Dokumentation der Modelle.