Statt Regeln manuell zu programmieren, werden Beispiele eingespeist, damit der Algorithmus Muster erkennt. Maschinelles Lernen erstellt Modelle, die sich mit zunehmenden Daten verbessern, und bildet heute die Grundlage für Suche, Empfehlungen, Betrugserkennung und Spracherkennung.

Das Feld lässt sich nach dem verwendeten Überwachungsansatz unterteilen. Überwachtes Lernen nutzt gelabelte Daten. Unüberwachtes Lernen findet Strukturen ohne Labels. Verstärkendes Lernen lernt durch Interaktion aus Belohnungssignalen. Jeder Ansatz eignet sich für unterschiedliche Probleme.

Gemeinsame Lernparadigmen

• Überwachtes Lernen anhand von Labels
• Unüberwachtes Lernen aus der Struktur
• Verstärkendes Lernen durch Belohnung
• Semi-überwachtes Lernen aus gemischten Daten
• Selbstüberwachtes Lernen aus Vorwandaufgaben

Daten bestimmen die Ergebnisse. Ein einfaches Modell mit sauberen, relevanten Daten ist oft einem komplexen Modell mit verrauschten Daten überlegen. Praktiker verbringen den Großteil ihrer Zeit mit Datenerfassung, -bereinigung und -validierung, nicht mit der Architektursuche.