KI-Grundlagen
Definition
KI-Grundlagen umfassen die Kernideen hinter künstlicher Intelligenz: was wir unter Lernen, Repräsentation und Generalisierung verstehen. Dies beinhaltet überwachtes und unüberwachtes Lernen, Optimierung und die Beziehung zwischen Daten, Modellen und Zielen.
Diese Ideen bilden die Grundlage sowohl für klassisches maschinelles Lernen als auch für Deep Learning. Ihr Verständnis hilft Ihnen, das richtige Paradigma zu wählen, Ergebnisse zu interpretieren und über Grenzen nachzudenken (z. B. Datenanforderungen, Bias, Robustheit).
Funktionsweise
In der Praxis werden Daten gesammelt oder gelabelt; ein Modell (z. B. eine Funktion oder ein Netzwerk) wird gewählt; und ein Ziel (Verlust oder Belohnung) wird optimiert, damit das Modell zu den Daten passt. Das Ergebnis ist eine Vorhersage (oder Aktion) auf neuen Eingaben. Die Pipeline basiert auf mathematischen Grundlagen — Wahrscheinlichkeit, lineare Algebra, Optimierung — und Evaluation auf zurückgehaltenen Daten, um Generalisierung statt Auswendiglernen sicherzustellen.
Anwendungsfälle
ML-Kernideen kommen überall zum Einsatz, wo Sie Daten und ein klar definiertes Vorhersage- oder Optimierungsziel haben.
- Erstellung von Klassifikatoren (z. B. Spam-Erkennung, Sentiment-Analyse) aus gelabelten Daten
- Erlernen von Repräsentationen für Empfehlungssysteme oder Suche
- Entscheidungsfindung als Vorhersage oder Optimierung formulieren (z. B. Prognose, Steuerung)
Externe Dokumentation
- Google ML-Crashkurs — Einführung in ML-Konzepte
- MIT 6.S191 – Einführung in Deep Learning — Vorlesungen und Materialien