Die beiden Begriffe Supervised und Unsupervised Learning sind häufige Begriffe in der Welt der künstlichen Intelligenz. Doch was ist der Unterschied dieser beiden Vorgehensweisen. Dies wird im folgenden Artikel erläutert. Grundsätzlich lässt sich sagen, dass der Unterschied zwischen Supervised und Unsupervised Learning darin liegt, wie das Machine Learning-Modell trainiert wird.

Supervised Learning

Beim Supervised Learning wird das Modell anhand von Beispieldaten trainiert, die sogenannten “Labels” enthalten. Die Labels sind die korrekten Antworten, die das Modell für die Beispieldaten vorhersagen soll. Beim Training vergleicht das Modell seine Vorhersagen mit den Labels und passt sich entsprechend an, um die Vorhersagen zu verbessern. Beispiele für supervised Learning sind Klassifikation und Regression.

Unsupervised Lerning

Beim Unsupervised Learning hingegen werden dem Modell keine Labels zur Verfügung gestellt. Stattdessen muss das Modell selbst Muster und Strukturen in den Daten erkennen. Beispiele für Unsupervised Learning sind Clustering und Anomaly-Detection.

Der wichtigste Unterschied zwischen Supervised und Unsupervised Learning ist also, dass beim Supervised learning dem Modell korrekte Antworten zur Verfügung gestellt werden, während beim Unsupervised Learning keine korrekten Antworten vorliegen und das Modell selbst Muster und Strukturen in den Daten erkennen muss.

Haben Sie Ideen für die Umsetzung einer Künstlichen Intelligenz? Sprechen Sie uns an und wir begleiten sie von der Konzeption bis zur Umsetzung.

Zurück