Überwachtes Lernen

Überwachtes Lernen ist eine ML-Methode, bei der ein Modell mit gelabelten Daten trainiert wird – jeder Datensatz enthält Eingabe und die dazugehörige richtige Ausgabe. Das Modell lernt die Beziehung zwischen beiden, um auf neuen Daten Vorhersagen zu treffen.

Aufgabentypen: Klassifikation (Ausgabe ist eine Kategorie, z. B. Spam/Kein Spam), Regression (Ausgabe ist ein numerischer Wert, z. B. Hauspreis). Schritte: Datensammlung → Aufteilung (Training/Validierung/Test) → Training → Validierung → Test → Einsatz.

Anwendungsbereiche: Gesundheitswesen (Röntgenanalyse), Marketing (Produktempfehlungen), Finanzen (Kreditrisiko, Betrug), autonomes Fahren (Verkehrszeichenerkennung). Überwachtes Lernen ist die häufigste Form des maschinellen Lernens in praktischen Anwendungen.