Das Ziel von Machine Learning ist es, Computer in die Lage zu versetzen, bestimmte Aufgaben auszuführen, wie das Treffen von Vorhersagen oder die Zusammenfassung relevanter Daten. Damit dies gelingt, werden die Machine Learning Systeme mit relevanten Daten trainiert und mit vordefinierten Regeln versorgt.

Die unterschiedlichen Arten des Machine Learnings

Das maschinelle Lernen lässt sich in unterschiedliche Arten unterscheiden – der Fokus liegt dabei auf den Lernkategorien der jeweiligen ML-Algorithmen:

• Überwachtes Lernen (Supervised Learning)
  
• Unüberwachtes Lernen (Unsupervised Learning)
  
• Teilüberwachtes Lernen (Semi-supervised Learning)
  
• Bestärkendes Lernen (Reinforcement Learning)
  
• Aktives Lernen (Active Learning)

Das maschinelle Lernen Machine-Learning-Modelle können auf verschiedenen Algorithmen basieren, darunter neuronale Netzwerke, Entscheidungsbäume, Support-Vektor-Maschinen, K-Nearest Neighbors und viele andere.

Anwendungsbeispiele von Machine Learning

Machine Learning kommt in vielen unterschiedlichen Einsatzszenarien zum Einsatz. Auch ist vieles, was heute unter dem Schlagwort „Künstliche Intelligenz“ läuft richtigerweise Machine Learning.

Eine Auswahl an möglichen Anwendungsgebieten:

• Kundenbeziehungsmanagement: Next Best Offer, Kundensegmentierung, Churn Prediction etc.
  
• IT-Security: Anti-Viren-Programme
  
• Digitale Assistenzsysteme: Chatbots, Sprachassistenten
  
• Mobilität: Navigation, autonomes Fahren
  
• Industrie: Predictive Maintenance

Machine Learning ist das Herzstück für viele Schlüsseltechnologien der Gegenwart und Zukunft und dadurch einer der zentralsten Begriffe im Data-Science-Kosmos.