Überwachtes Lernen

Nehmen wir an, ein ML-System soll Hunde- und Katzenbilder in die zwei Kategorien "Hunde" und "Katzen" aufteilen können. Mit der Methode des überwachten Lernens "füttern" wir das System in der Trainingsphase mit Daten, von denen wir bereits mit Sicherheit wissen, zu welcher Kategorie sie gehören. Wir versehen diese Daten - in unserem Falle Bilder von Katzen oder Hunden - mit einem Label, das klar festlegt, zu welcher Kategorie ein Bild gehört. Nun trainieren wir das System mit diesen mit Labels versehenen Daten, wodurch das System lernt, Hundebilder von Katzenbildern zu unterscheiden. Genauso wie bei unserem Roboter Linzi gilt: Je mehr korrekte (in diesem Fall: richtig kategorisierte) Daten wir für das Training verwenden, desto genauer wird das ML-System nach der Trainingsphase arbeiten. Ein erfolgreiches Training setzt einen qualitativ guten und umfangreichen Trainingsdatensatz voraus.

Nach der Trainingsphase wird das System dann mit Bildern ohne Labels arbeiten und aufgrund der in der Testphase gesammelten Erfahrungen diese Bilder kategorisieren können - immer vorausgesetzt, unser Training war erfolgreich.