Machine Learning

Kurz gesagt: Machine Learning (ML) ist ein Teilbereich der Künstlichen Intelligenz, bei dem Computer aus Daten und Erfahrungen lernen, ohne für jede Aufgabe explizit programmiert zu werden. Das System verbessert sich selbstständig, indem es Muster erkennt und Vorhersagen trifft.

Machine Learning

Der Begriff ‚Machine Learning‘ wurde 1959 vom amerikanischen Informatiker Arthur Samuel (IBM) geprägt. Er entwickelte ein Schachprogramm, das sich durch Spielen gegen sich selbst verbesserte, und nannte dies ‚machine learning‘. Der Begriff wurde ab den 1990er Jahren durch Fortschritte im statistischen Lernen und Deep Learning populär und ist heute der zentrale Ansatz der modernen KI.

Außerhalb der KI beschreibt ‚Lernen‘ das Erwerben von Wissen oder Fähigkeiten durch Erfahrung und Wiederholung. Ein Algorithmus, der aus Beispielen lernt, funktioniert ähnlich wie ein Schüler, der aus Übungsaufgaben Regeln ableitet, statt sie auswendig zu lernen.

Im KI-Kontext ist Machine Learning der Prozess, bei dem Algorithmen aus großen Datenmengen Muster lernen und daraus Vorhersagen, Klassifizierungen oder Entscheidungen treffen. Im Gegensatz zu klassischer Programmierung (‚Wenn-dann-Regeln‘) passt das System seine eigenen Parameter selbstständig an, um bessere Ergebnisse zu erzielen.

• Vorhersagen und Klassifizierung (z. B. Spam-Erkennung, Kreditwürdigkeit)
• Empfehlungssysteme (Netflix, Amazon, Spotify)
• Bild- und Spracherkennung
• Medizinische Diagnose und Drug Discovery
• Autonome Fahrzeuge und Robotik
• Betrugserkennung in Banken und Versicherungen

• Ein Kind lernt Fahrradfahren durch Ausprobieren und Korrigieren der Balance – genau so lernt ein ML-Modell aus Fehlern.
• Ein Spam-Filter, der aus Tausenden markierten E-Mails lernt, welche Nachrichten Spam sind und welche nicht.

• Netflix-Empfehlungen: Das Empfehlungssystem lernt aus dem Sehverhalten von Millionen Nutzern und schlägt Filme vor, die man wahrscheinlich mögen wird.
• AlphaFold (DeepMind): Maschinelles Lernen revolutionierte die Biologie: Das Modell lernt aus bekannten Proteinstrukturen und sagt neue Strukturen mit hoher Genauigkeit voraus.
• Spam-Filter von Gmail: Lernt kontinuierlich aus Nutzer-Markierungen und erkennt neue Spam-Muster – einer der ältesten erfolgreichen ML-Anwendungen.

• Supervised Learning: Lernen mit gelabelten Daten (Beispiel: Katze oder Hund auf Bildern).
• Unsupervised Learning: Lernen ohne vorgegebene Antworten – findet selbst Muster und Gruppen in Daten (z. B. Kunden-Segmente).
• Reinforcement Learning: Lernen durch Belohnung und Strafe – wie bei AlphaGo oder autonomen Robotern.
• Self-Supervised / Semi-Supervised Learning: Moderne Variante, bei der das Modell selbst Labels aus großen ungelabelten Daten erzeugt (Grundlage vieler LLMs).

• Datenqualität und -menge: Schlechte oder zu wenige Daten führen zu schlechten Ergebnissen.
• Overfitting: Das Modell lernt die Trainingsdaten auswendig, statt zu generalisieren.
• Black-Box-Problem: Viele Modelle sind schwer nachvollziehbar (Explainable AI wird gefordert).
• Bias und Fairness: Vorurteile in den Trainingsdaten werden übernommen.
• Hoher Rechen- und Energieaufwand beim Training.

• TensorFlow & PyTorch: Die beiden führenden Open-Source-Frameworks für die Entwicklung von Machine-Learning-Modellen.
• scikit-learn: Beliebtes Python-Toolkit für klassische ML-Algorithmen – ideal für Einsteiger und Studierende.
• Google Cloud AI / Azure ML: Cloud-Plattformen, die fertige ML-Tools und AutoML-Funktionen bereitstellen.
• ChatGPT / GPT-Modelle: Basieren auf maschinellem Lernen (Self-Supervised Learning auf riesigen Textdaten).

Stell dir Machine Learning wie einen Schüler vor, der viele Übungsaufgaben löst. Statt jede Regel einzeln zu erklären, zeigt man dem Computer Tausende Beispiele. Der Algorithmus passt seine internen Gewichte (Parameter) so lange an, bis er die Aufgaben möglichst gut löst. Mathematisch geschieht das meist über Optimierungsverfahren wie Gradient Descent.

Stand April 2026 verschiebt sich der Fokus von immer größeren Modellen hin zu effizienterem, erklärbarem und energie sparendem Machine Learning (TinyML, Federated Learning). AutoML und Self-Supervised Learning machen ML für Nicht-Experten zugänglicher. Der EU AI Act verlangt mehr Transparenz bei High-Risk-ML-Systemen. In den nächsten 5–10 Jahren werden hybride Ansätze (Neuro-Symbolic ML) und lernende Systeme, die selbst neue Algorithmen erfinden, die Entwicklung weiter beschleunigen.

• Deep Learning – Eine spezielle, sehr leistungsstarke Unterart des Machine Learning mit mehrschichtigen neuronalen Netzen.
• LLM – Large Language Models sind eine Anwendung von Machine Learning auf riesigen Textdaten.
• Algorithmus – Machine Learning besteht aus speziellen Lern-Algorithmen.
• AGI – AGI würde Machine Learning auf einem universellen, menschähnlichen Niveau nutzen.
• RAG – Kombiniert Machine Learning mit externer Wissensabrufung.

• Arthur Samuel – Some Studies in Machine Learning Using the Game of Checkers (1959)
• Wikipedia: Machine Learning (Stand 2026)
• Tom Mitchell: Machine Learning (Standardlehrbuch)
• EU AI Act – Anforderungen an Machine-Learning-Systeme