Hierbei lernt das Modell anhand von Trainingsdaten, die sowohl Eingaben als auch die entsprechenden Ausgaben (Labels) enthalten. Das Ziel ist es, eine Funktion zu finden, die die Eingaben in die korrekten Ausgaben umwandelt.

Anwendungsbeispiele:

• Klassifikation (z.B. Spam-Filter)
• Regression (z.B. Vorhersage von Hauspreisen)

Populäre Modelle:

Lineare Regression, Logistische Regression, Decision Trees, Random Forests, Support Vector Machines (SVMs), K-Nearest Neighbors (KNN), Neural Networks (NN)

Das Modell erhält nur Eingabedaten ohne dazugehörige Ausgabedaten und versucht, Muster oder Strukturen in den Daten zu erkennen.

Anwendungsbeispiele:

• Clusterbildung (z.B. Kundensegmentierung)
• Dimensionsreduktion (z.B. PCA für Datenvisualisierung)

Populäre Modelle:

K-Means Clustering, Principal Component Analysis (PCA), Neural Networks (NN)

Ein Agent lernt durch Interaktionen mit seiner Umgebung, indem er Belohnungen maximiert und Bestrafungen minimiert. Er lernt Strategien oder Policies, um bestimmte Aufgaben zu erfüllen.

Anwendungsbeispiele:

• Robotersteuerung
• Drohnensteuerung
• Autonomes Fahren

Populäre Modelle:

Q-Learning, Deep Q-Networks (DQN), Policy Gradient Methods

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das auf künstlichen neuronalen Netzen mit vielen Schichten basiert. Es ist besonders effektiv bei der Verarbeitung grosser Datenmengen und bei komplexen Aufgaben wie Bild- und Spracherkennung.

Populäre Modelle:

• Convolutional Neural Networks (CNN): Oft verwendet für Bilderkennung und -verarbeitung (z.B. AlexNet, VGG, ResNet)
• Recurrent Neural Networks (RNN): Geeignet für sequenzielle Daten wie Text und Sprache (z.B. LSTM, GRU)
• Transformer-Modelle: Leistungsstark für Sprachverarbeitung und Generative KI (z.B. BERT, GPT)

Generative KI bezieht sich auf Modelle, die neue Daten generieren können, welche den Trainingsdaten ähneln. Diese Modelle können beispielsweise neue Bilder, Texte oder Musikstücke erstellen. Generative KI-Modelle sind stark mit Deep Learning-Techniken verbunden.

Populäre Modelle:

• Generative Adversarial Networks (GANs):
  Bestehen aus zwei Netzwerken, einem Generator und einem Diskriminator, die gegeneinander trainieren, um realistische Daten zu erzeugen.
• GPT-Modelle (Generative Pre-trained Transformer):
  Textgenerierungsmodelle, die auf grossen Datensätzen vortrainiert und dann für spezifische Aufgaben fein abgestimmt werden (z.B. GPT-3).