Diese umfassende Artikelserie führt systematisch in das maschinelle Lernen ein - von grundlegenden Definitionen über verschiedene Lernverfahren bis hin zu Evaluierung und Optimierung von ML-Modellen.
Einführung in den Begriff des maschinellen Lernens und Abgrenzung zu KI, Data Mining und klassischer Programmierung.
Die drei Hauptkategorien des maschinellen Lernens - überwachtes, unüberwachtes und verstärkendes Lernen im Überblick.
Klassifizierung als Verfahren des überwachten Lernens mit k-NN, Naive Bayes, logistischer Regression, SVM und Random Forests.
Regression als Grundverfahren zur Vorhersage - von linearer Regression über polynomiale Ansätze bis zu Regularisierung.
Historische Entwicklung des überwachten Lernens - von Perzeptronen über Spam-Filter und Empfehlungssysteme bis zu Deep Learning und Sprachmodellen.
Unüberwachte Lernverfahren von Clustering über Anomalieerkennung bis zu generativen Modellen und Self-Supervised Learning.
Einführung in verstärkendes Lernen - von Markov-Entscheidungsprozessen bis zu Deep Reinforcement Learning.
Warum Accuracy bei unbalancierten Daten in die Irre führt, wann Cross-Validation nötig wird und wann Modell-Scores als Wahrscheinlichkeiten taugen.