Maschinelles Lernen einfach erklärt

Was ist maschinelles Lernen? Die einfache Definition

Maschinelles Lernen ist die Fähigkeit eines Computers, Aufgaben zu lösen, indem er Muster aus Daten ableitet — ohne dass ein Programmierer jede Regel explizit vorschreibt. Statt „Wenn die E-Mail das Wort Viagra enthält, dann Spam” erhält das System Tausende Beispiele von Spam- und Nicht-Spam-Mails. Es lernt selbst, welche Merkmale für Spam sprechen, und verallgemeinert sein Wissen auf neue Mails.

Die klassische Definition stammt von Tom Mitchell (1997): Ein Computerprogramm lernt aus Erfahrung E in Bezug auf eine Aufgabenklasse T und ein Leistungsmaß P, wenn seine Leistung bei Aufgaben in T, gemessen durch P, mit zunehmender Erfahrung E steigt. In Einsteiger-Sprache: Je mehr relevante Daten das Modell sieht, desto besser wird es — gemessen an einem klaren Qualitätsmaß.

Eine einfache Analogie: Einem Kind zeigt man keine Formel dafür, wie man Hund und Katze unterscheidet. Man zeigt ihm viele Hunde und viele Katzen. Irgendwann erkennt es Merkmale — spitze Ohren, Schnurrhaare, Körperbau — und kann neue Tiere zuordnen. Genau so funktioniert überwachtes maschinelles Lernen: Tausende gelabelte Bilder, interne Muster, Verallgemeinerung.

Die Einordnung in die KI-Welt: Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz. Deep Learning ist wiederum ein Teilgebiet des maschinellen Lernens. Die drei Begriffe sind nicht austauschbar — sie sind ineinander geschachtelt. Das visualisiert Sektion 10 im Detail.

Der Begriff selbst wurde 1959 von Arthur Samuel geprägt, einem IBM-Forscher, der ein Dame-Programm entwickelte, das durch Selbstspiel besser wurde als er selbst. Jahrzehntelang blieb ML ein Nischenthema. Erst ab 2012 — als tiefe neuronale Netze den ImageNet-Wettbewerb gewannen — wurde es zum Mainstream. Heute ist ML die Basis fast jeder KI-Anwendung, die du im Alltag nutzt.

Wie lernt ein Computer eigentlich aus Daten?

Die Mechanik hinter jedem ML-Modell lässt sich auf fünf Begriffe reduzieren. Wer diese fünf versteht, versteht das Grundprinzip — unabhängig davon, wie fortgeschritten das Modell ist.

Feature (Merkmal). Jede messbare Eigenschaft, die das Modell als Eingabe nutzt. Bei einem Haus wären das Wohnfläche, Baujahr, Lage, Zimmerzahl. Bei einer E-Mail wären es Absender, bestimmte Wörter im Betreff, Anzahl Links, HTML-Anteil. Gute Features zu wählen (Feature Engineering) ist eine der wichtigsten Fähigkeiten in klassischem ML.

Label (Zielwert). Das, was wir vorhersagen wollen. Bei der E-Mail: Spam (1) oder Nicht-Spam (0). Bei einem Haus: der Verkaufspreis in Euro. Labels sind der „Lehrer” im überwachten Lernen — ohne sie kann das Modell nicht lernen, worauf es ankommt.

Modell. Die mathematische Funktion, die Features auf Labels abbildet. In der einfachsten Form ist das eine Gleichung wie y = a·x₁ + b·x₂ + c. In einem tiefen neuronalen Netz sind es Milliarden Parameter, die zusammen eine extrem komplexe Funktion formen. Das Modell ist der „gelernte Zustand” — das, was nach dem Training im Speicher bleibt.

Training. Der Prozess, bei dem das Modell seine internen Parameter an die Daten anpasst. Kernidee: Das Modell macht eine Vorhersage, vergleicht sie mit dem wahren Label, berechnet den Fehler über eine Loss-Funktion und korrigiert die Parameter in kleinen Schritten — typischerweise per Gradientenabstieg. Nach Tausenden Wiederholungen konvergiert das Modell auf brauchbare Werte.

Inferenz. Die Anwendung des fertigen Modells auf neue, ungesehene Daten. Jede ChatGPT-Antwort, jeder Spam-Filter-Treffer, jede Kreditentscheidung ist eine Inferenz. Training passiert einmal und dauert lange; Inferenz passiert milliardenfach und in Millisekunden.

Beispiel durchgezogen: Der Spam-Filter

Ein E-Mail-Provider will Spam automatisch erkennen. Wie geht er vor?

1. Features wählen: Absender-Domain, Länge der Mail, Anteil Großbuchstaben, Anzahl Links, Vorkommen verdächtiger Wörter („gewinn”, „dringend”, „verifizieren”), HTML-Komplexität.
2. Labels beschaffen: 10.000 manuell markierte E-Mails — 5.000 Spam, 5.000 Nicht-Spam.
3. Modell wählen: Naive Bayes oder logistische Regression als Klassiker.
4. Trainieren: Das Modell sieht alle 10.000 Mails, passt seine Gewichte an die Features an.
5. Testen: Es bekommt 2.000 neue Mails, die es nie gesehen hat. Liegt die Trefferquote über 95 %, ist es einsatzreif.
6. Inferenz: Jede neue Mail durchläuft das Modell in Millisekunden — Spam oder Inbox.

Dieses Muster — Features, Labels, Modell, Training, Test, Inferenz — wiederholt sich bei fast jedem ML-Projekt. Nur die Zahlen, der Algorithmus und die Domäne ändern sich.

Die drei Arten des maschinellen Lernens

Machine Learning teilt sich in drei große Familien: überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen. Sie unterscheiden sich darin, welche Art von Daten und welches Lernsignal dem Modell zur Verfügung steht. Jede Familie löst andere Probleme — und hat eigene Algorithmen, Metriken und Fallstricke. Wer diese Unterscheidung nicht sauber macht, wählt im Zweifel das falsche Werkzeug.

Überwachtes Lernen (Supervised Learning)

Beim überwachten Lernen hast du Daten plus Labels — also bekannte Eingabe-Ausgabe-Paare. Das Modell lernt die Abbildung von der Eingabe zur Ausgabe und wendet sie auf neue Beispiele an. Das ist der häufigste ML-Typ in der Praxis: Spam-Filter, medizinische Diagnose, Kreditwürdigkeit, Bildklassifikation.

Überwachtes Lernen hat zwei Hauptausprägungen:

• Klassifikation. Das Modell ordnet jede Eingabe einer von mehreren diskreten Kategorien zu. Beispiele: Spam / Nicht-Spam (binär), Katze / Hund / Vogel (multiklasse), Tumor bösartig / gutartig. Typische Algorithmen: logistische Regression, Entscheidungsbaum, Random Forest, Support Vector Machine, neuronale Netze.
• Regression. Das Modell sagt eine kontinuierliche Zahl voraus. Beispiele: Hauspreis in Euro, Temperatur in Grad, erwartete Verkaufszahl. Typische Algorithmen: lineare Regression, polynomiale Regression, Gradient Boosting, neuronale Netze.

Aspekt	Klassifikation	Regression
Ausgabe	Diskrete Kategorie	Kontinuierliche Zahl
Beispiel 1	Spam-Filter	Hauspreis-Vorhersage
Beispiel 2	Bilderkennung	Temperatur-Prognose
Beispiel 3	Krebsdiagnose	Verkaufszahlen
Beispiel 4	Kundenabwanderung	Lieferzeit in Tagen
Typ. Metrik	Accuracy, Precision, Recall, F1	MSE, RMSE, MAE, R²

Unüberwachtes Lernen (Unsupervised Learning)

Beim unüberwachten Lernen hast du Daten ohne Labels — nur die Merkmale, keine Wahrheit. Das Modell sucht selbstständig nach Struktur, Gruppen oder Anomalien. Das ist besonders dann nützlich, wenn Labels teuer oder unmöglich zu beschaffen sind (z. B. bei Millionen Dokumenten).

Drei typische Aufgaben:

• Clustering. Das Modell teilt die Daten in natürlich entstehende Gruppen ein. Beispiele: Kundensegmentierung im Marketing, Themen-Clustering in Texten, Bild-Gruppierung. Klassische Algorithmen: k-Means (schnell, braucht feste Cluster-Anzahl), DBSCAN (dichtebasiert, findet beliebige Formen), hierarchisches Clustering.
• Dimensionsreduktion. Daten mit Hunderten Features auf wenige aussagekräftige Dimensionen verdichten — für Visualisierung, Kompression, Rauschentfernung. Klassischer Algorithmus: PCA (Hauptkomponentenanalyse). Modernere Varianten: t-SNE und UMAP für Visualisierung hochdimensionaler Daten.
• Anomalie-Erkennung. Abweichungen vom Normalzustand finden — etwa Kreditkartenbetrug, Netzwerk-Intrusionen, Qualitätskontrolle in der Produktion. Hier hilft Clustering indirekt: Was in kein Cluster passt, ist auffällig.

Bestärkendes Lernen (Reinforcement Learning)

Beim bestärkenden Lernen gibt es keine festen Labels — nur Belohnungen und Bestrafungen. Ein Agent interagiert mit einer Umwelt, führt Aktionen aus und lernt aus den Konsequenzen. Analogie: Ein Hund lernt Sitz nicht dadurch, dass man ihm die Regel erklärt, sondern durch Leckerli nach richtigen Versuchen.

Typische Zutaten:

• Agent: das lernende System (Spieler, Roboter, Handelsalgorithmus)
• Umwelt: das Umfeld, in dem er agiert (Spielfeld, Fabrikhalle, Börse)
• Aktion: was der Agent tun kann (Figur bewegen, Motor ansteuern, Aktie kaufen)
• Belohnung: Signal, ob eine Aktion gut oder schlecht war

Bekannte Anwendungen: AlphaGo (DeepMind, schlug 2016 den Go-Weltmeister), selbstfahrende Autos (teilweise per RL trainiert), Robotik, Trading-Bots. Moderne LLMs wie ChatGPT werden mit RLHF (Reinforcement Learning from Human Feedback) feinjustiert — menschliche Bewerter sagen dem Modell, welche Antwort besser war.

Grenzen: RL braucht meist eine simulierbare oder sehr billige Umgebung (Millionen Episoden), ist rechenintensiv und schwierig zu debuggen. Für Standard-Probleme wie Klassifikation ist es nicht das richtige Werkzeug.

Welcher ML-Algorithmus passt zu deinem Problem?

Beantworte 4–5 kurze Fragen. Das Tool empfiehlt dir einen passenden Start-Algorithmus mit Begründung und zwei Alternativen — damit du mit Plan ins erste Projekt gehst.

1) Welche Art von Ergebnis brauchst du?

Eine Kategorie (Spam / Nicht-Spam, Katze / Hund) Eine Zahl (Preis, Temperatur, Umsatz) Gruppen aus unbeschrifteten Daten Eine Entscheidungsfolge (Spiel, Roboter)

2) Hast du gelabelte Trainingsdaten?

Ja, die meisten Zeilen haben ein Label Einige Labels, viele ohne Keine Labels vorhanden

← Zurück

3) Wie viele Datensätze hast du?

Weniger als 1.000 1.000 bis 100.000 Mehr als 100.000

← Zurück

4) Wie wichtig ist Erklärbarkeit?

Sehr wichtig — die Entscheidung muss begründbar sein Egal — Hauptsache die Genauigkeit stimmt

← Zurück

5) Wie sehen deine Daten aus?

Tabellarisch (Zeilen & Spalten, Zahlen, Kategorien) Text (Nachrichten, Rezensionen, Dokumente) Bilder oder Audio Gemischt / unsicher

← Zurück

Deine Empfehlung

Alternativen prüfen

Empfehlung kopieren ↻ Neu starten

Der ML-Workflow: So entsteht ein Machine-Learning-Modell

Jedes ernsthafte ML-Projekt durchläuft dieselben sechs Schritte. Wer einen davon überspringt, bekommt im Zweifel ein Modell, das auf dem Papier gut aussieht — aber in der Produktion versagt.

Schritt 1 — Problem definieren

Bevor eine Zeile Code entsteht, muss die Frage klar sein. Willst du klassifizieren (Kategorie), regredieren (Zahl), clustern (Gruppen finden) oder Entscheidungen optimieren? Was ist das Erfolgskriterium — Accuracy, Umsatz, Fehlerrate, Zeit? Und gegen welche Baseline vergleichst du? Die meisten gescheiterten ML-Projekte scheitern nicht am Algorithmus, sondern an einer unklaren Problemstellung.

Schritt 2 — Daten sammeln

Daten sind das Fundament. Interne Systeme, öffentliche Datensätze wie MNIST, ImageNet oder Iris, Plattformen wie Kaggle, manuelle Beschriftung (oft per Crowdsourcing). Faustregeln: Je vielfältiger, desto besser. Je mehr, desto besser — aber nur wenn die Qualität stimmt. Garbage in, garbage out ist keine Floskel.

Schritt 3 — Daten vorbereiten

Reinigung, Normalisierung, Umgang mit fehlenden Werten, Umwandlung kategorialer Variablen in Zahlen (One-Hot-Encoding, Label-Encoding), Skalierung (StandardScaler, MinMax). Auch hier: Feature Engineering — neue aussagekräftige Features aus bestehenden ableiten. In der Praxis frisst dieser Schritt oft 60–80 % der Projektzeit.

Schritt 4 — Daten aufteilen

Die Aufteilung in Training (70 %), Validierung (15 %) und Test (15 %) ist nicht optional. Das Modell lernt auf Training, wird mit Validierung getunt und einmalig am Ende auf Test evaluiert. Wer Testdaten mehrfach anfasst, bekommt einen falsch-optimistischen Wert — das Modell ist im Zweifel schlechter als gedacht, sobald es live geht.

Schritt 5 — Modell trainieren

Algorithmus wählen (siehe nächste Sektion), Hyperparameter setzen (Lernrate, Modellgröße, Regularisierung), Training starten. Je nach Modell dauert das Minuten bis Wochen. Moderne Frameworks: scikit-learn für klassisches ML, TensorFlow und PyTorch für Deep Learning.

Schritt 6 — Modell bewerten und einsetzen

Metriken messen: Accuracy (Anteil korrekter Klassifikationen), Precision (wie viele der als positiv erkannten sind wirklich positiv), Recall (wie viele der tatsächlich positiven Fälle findet das Modell), F1-Score (Harmonisches Mittel aus Precision und Recall). Bei Regression: MSE, RMSE, MAE, R². Reicht die Qualität, geht das Modell ins Deployment — als API, eingebettet ins Produkt oder als Batch-Prozess.

Die wichtigsten ML-Algorithmen für Anfänger

Es gibt Hunderte ML-Algorithmen. Für den Einstieg genügen acht. Wer diese kennt, deckt 90 % aller praktischen Anwendungsfälle ab.

• Lineare Regression. Sagt eine Zahl voraus als gewichtete Summe der Features. Klassisch für Hauspreis, Umsatzprognose, Temperaturmodelle. Schnell, transparent, leicht zu debuggen.
• Logistische Regression. Trotz des Namens ein Klassifikationsalgorithmus. Ideal für binäre Entscheidungen: Spam / Nicht-Spam, Krank / Gesund, Klick / kein Klick.
• k-Nearest-Neighbors (kNN). Der naivste Klassifikator überhaupt: „Wie sind die k ähnlichsten Punkte gelabelt? Die Mehrheit entscheidet.” Kein eigentliches Training. Perfekt für kleine Datensätze und als Erklärungshilfe — z. B. Filmempfehlung nach Ähnlichkeit.
• Entscheidungsbaum. Eine Kaskade von Ja-Nein-Fragen führt zur Entscheidung. Sehr gut interpretierbar („Warum hat das Modell X entschieden? Weil Einkommen < 30.000 UND Alter > 60”). Neigt zu Overfitting — deshalb oft als Random Forest eingesetzt.
• Random Forest. Viele Entscheidungsbäume gleichzeitig, die abstimmen. Deutlich robuster als ein einzelner Baum. Der Arbeitspferd-Algorithmus für tabellarische Daten.
• Support Vector Machine (SVM). Findet die optimale Trennlinie zwischen zwei Klassen. Besonders stark bei mittelgroßen, klar trennbaren Daten. Klassischer Bildklassifikator vor dem Deep-Learning-Zeitalter.
• Naive Bayes. Ein probabilistischer Klassiker, der trotz starker Annahme (Feature-Unabhängigkeit) erstaunlich gut funktioniert — besonders bei Text. Der Urvater vieler Spam-Filter.
• k-Means Clustering. Gruppiert Daten in k Cluster, indem es iterativ Zentren verschiebt. Schnell, einfach, der Einstieg in unüberwachtes Lernen. Typisch: Kundensegmentierung, Dokumenten-Gruppierung.

Dazu der Ausblick: Neuronale Netze. Modelle aus vernetzten künstlichen Neuronen. Einfache Varianten (Multi-Layer Perceptron) lösen klassische Aufgaben, tiefe Netze (Deep Learning) sind die Basis von Sprachmodellen, Bild-KI und modernen Empfehlungssystemen.

Algorithmus	Lernart	Typisches Problem	Schwierigkeit
Lineare Regression	Überwacht (Regression)	Hauspreise, Umsatz	★☆☆☆☆
Logistische Regression	Überwacht (Klassifikation)	Spam, Churn	★☆☆☆☆
k-Nearest-Neighbors	Überwacht	Empfehlungen, kleine Datensätze	★☆☆☆☆
Entscheidungsbaum	Überwacht	Erklärbare Entscheidungen	★★☆☆☆
Random Forest	Überwacht	Tabellarische Daten	★★☆☆☆
Support Vector Machine	Überwacht	Bild- und Textklassifikation	★★★☆☆
Naive Bayes	Überwacht	Textklassifikation	★★☆☆☆
k-Means Clustering	Unüberwacht	Segmentierung	★★☆☆☆
Neuronales Netz	Überwacht oder RL	Bilder, Sprache, Komplex	★★★★☆

Wenn dir die Auswahl zu viel wird: Der ML-Algorithmus-Finder weiter oben beantwortet genau diese Frage für dein konkretes Problem.

Trainingsdaten, Testdaten und das Overfitting-Problem

Der häufigste Anfängerfehler in ML ist Overfitting — das Modell lernt die Trainingsdaten auswendig, scheitert aber an neuen Fällen. Um das zu vermeiden, teilt man die Daten in Training, Validierung und Test. Je besser das Modell auf Testdaten abschneidet, desto besser generalisiert es. Overfitting kann ein Modell unbrauchbar machen — auch wenn die Trainings-Accuracy 99,9 % beträgt.

Analogie aus der Schule. Stell dir zwei Schüler vor, die eine Mathe-Klausur vorbereiten:

• Schüler A lernt nur die Aufgaben aus den letzten fünf Klausuren auswendig. In der echten Klausur kommt eine neue Aufgabe — er scheitert. Das ist Overfitting.
• Schüler B lernt das Fach zu wenig und schießt auf Verdacht. Er scheitert ebenfalls. Das ist Underfitting.
• Schüler C versteht die Prinzipien, übt variantenreich und schreibt eine 1,3. Das ist ein gut generalisierendes Modell.

Warum man Daten aufteilt

Wenn du dein Modell auf denselben Daten trainierst und testest, bekommst du einen scheinbar perfekten Wert. Aber der sagt dir nichts über die reale Leistung. Erst der Test auf ungesehenen Daten zeigt, ob das Modell wirklich gelernt hat. Die übliche Aufteilung:

• Training (70 %) — das Modell passt seine Parameter an.
• Validierung (15 %) — du tunst Hyperparameter und wählst das beste Modell aus mehreren Versuchen.
• Test (15 %) — die einmalige Abschlussprüfung. Erst ganz zum Schluss anfassen.

Kreuzvalidierung ist die Profi-Variante: Die Trainingsdaten werden in k Teile zerlegt (typisch k=5 oder k=10), das Modell wird k-mal trainiert — jedes Mal mit einem anderen Teil als Validierung. Der Durchschnitt ergibt eine robustere Bewertung. Besonders wichtig bei kleinen Datensätzen.

Die Gegenmittel

• Mehr Daten — oft der einfachste Fix. Mehr Beispiele, weniger Auswendiglernen.
• Regularisierung — bestraft übermäßig große Parameter (L1, L2). Zwingt das Modell zur Einfachheit.
• Einfacheres Modell — ein tiefes neuronales Netz für 500 Zeilen Tabellen-Daten ist overkill.
• Dropout (bei neuronalen Netzen) — zufälliges Ausschalten von Neuronen während des Trainings.
• Early Stopping — Training abbrechen, sobald die Validierungs-Accuracy stagniert.

Overfitting vs. Underfitting — Live-Demo

Bewege den Regler, um die Modell-Komplexität (Polynomgrad) zu ändern. Beobachte, wie die Kurve die Trainingspunkte trifft — und wie sich der Test-Fehler verhält. Der Sweet Spot liegt in der Mitte.

Modell-Komplexität 3

Zu einfach Gut passend Auswendig gelernt

Training-Fehler

—

Test-Fehler

—

↻ Neue Daten ? Erklär's mir

Erklär's mir

Wir legen ein Polynom vom Grad d durch eine Punktwolke mit Rauschen. Kleiner Grad = fast gerade Linie, verfehlt das Muster (Underfitting). Mittlerer Grad = gute Passung mit kleinem Test-Fehler (generalisiert). Hoher Grad = die Kurve geht exakt durch jeden Trainingspunkt, schlägt dazwischen aber aus — der Test-Fehler explodiert. Modelle, die so „auswendig lernen", scheitern an neuen Beispielen.

Trainingspunkte Testpunkte Modellkurve

Machine Learning in der Praxis: 10 Beispiele, die du kennst

Die meisten Menschen nutzen ML seit Jahren, ohne es zu wissen. Diese zehn Beispiele laufen im Hintergrund moderner Produkte:

Weitere europäisch geprägte Beispiele: Deutsche Bahn setzt ML zur Pünktlichkeitsprognose ein. DHL optimiert Routen per Reinforcement Learning. Siemens nutzt Predictive Maintenance in der Industrie. SAP integriert ML in ERP-Systeme.

Brauche ich Mathe und Programmieren für Machine Learning?

Eine der häufigsten Einsteiger-Fragen — und die Antwort hängt davon ab, was du tun willst.

Nutzen (Tools bedienen, ML in Produkte einbauen). Sehr wenig Mathe. Python-Grundlagen und ein gutes Verständnis, was ein Algorithmus tut, reichen. Mit scikit-learn kannst du in 20 Zeilen Code ein brauchbares Klassifikationsmodell bauen. Zeitaufwand bis zum ersten eigenen Projekt: 1–2 Monate bei 5 Stunden pro Woche.

Verstehen (wie Modelle wirklich funktionieren). Schul-Mathe reicht meist. Lineare Algebra (Matrizen), Analysis (Ableitungen), Wahrscheinlichkeitsrechnung auf Abi-Niveau — alles per MOOC nachholbar. Andrew Ngs Coursera-Kurs ist der Klassiker für diese Ebene. Zeit: 3–6 Monate.

Selbst entwickeln (eigene Modelle bauen und tunen). Hier kommt echtes Handwerk dazu: solide lineare Algebra, Statistik, Optimierung, idealerweise auch etwas Informatik. Python oder R fließend. Zeit: 12–24 Monate bis zur Job-Reife.

Forschen (neue Algorithmen entwickeln). Volles Mathe-, Informatik- oder Physikstudium. Master oder PhD. Zeit: 5+ Jahre.

Empfohlene Einstiegs-Ressourcen:

• Andrew Ngs Machine-Learning-Spezialisierung (Coursera) — der Goldstandard.
• Kaggle Learn — kurze, interaktive Kurse, direkt mit Daten.
• Fast.ai — Deep Learning praxisorientiert, von oben nach unten gelehrt.
• Google ML Crash Course — kompakter Einstieg mit TensorFlow.

No-Code Machine Learning: ML ohne zu programmieren

Du musst heute nicht mehr Python können, um ein ML-Modell zu bauen. Eine Welle von No-Code-Tools macht den Einstieg für Nicht-Programmierer radikal einfacher:

• Google Teachable Machine — Browser-Tool, mit dem du in 15 Minuten eigene Bild-, Audio- oder Gesten-Klassifikatoren trainierst. Ideal für Schule, Workshops und Prototypen.
• Lobe.ai (Microsoft) — Desktop-App für Windows und macOS. Daten importieren, klassifizieren, Modell exportieren.
• Azure ML Studio — visueller Baukasten für komplette ML-Pipelines. Für Enterprise-Umgebungen.
• Amazon SageMaker Canvas — ähnlich, im AWS-Ökosystem.
• Google AutoML — lädt Daten hoch, wählt und tunt automatisch Modelle.

Mini-Tutorial: Dein erstes Modell in 15 Minuten mit Teachable Machine

1. Öffne teachablemachine.withgoogle.com.
2. Wähle „Image Project” → „Standard image model”.
3. Zeige deiner Webcam 30 Bilder der Klasse A (z. B. Daumen hoch) und 30 Bilder der Klasse B (z. B. Daumen runter).
4. Klicke „Train Model”. Dauer: etwa 20 Sekunden.
5. Teste live mit deiner Webcam. Funktioniert es, exportiere das Modell als JavaScript oder TensorFlow Lite.

Grenzen: No-Code-Tools sind super für Prototypen, Demos und einfache Produktionsfälle. Für komplexe Szenarien mit eigener Infrastruktur, spezieller Architektur oder sehr großen Datensätzen bleiben klassische Frameworks unverzichtbar.

Deep Learning: Der nächste Schritt — was ist der Unterschied?

Deep Learning ist ein Teilgebiet des maschinellen Lernens, das mit tiefen neuronalen Netzen arbeitet — also Modellen mit vielen aufeinanderfolgenden Schichten. Es ist die Technik hinter ChatGPT, Midjourney, Gesichtserkennung und selbstfahrenden Autos. Klassisches ML und Deep Learning lösen unterschiedliche Probleme gut — die Wahl hängt von Datenmenge, Datentyp und Anforderungen an Erklärbarkeit ab.

Wann Deep Learning sinnvoll ist:

• Sehr große Datenmengen (oft ab 100.000 Beispielen, bei Sprachmodellen Milliarden)
• Unstrukturierte Daten: Bilder, Audio, Video, Rohtext
• Komplexe Muster, die sich nicht per Feature Engineering abbilden lassen
• Ausreichend Rechenleistung (GPUs, TPUs)

Wann klassisches ML reicht:

• Tabellarische Daten mit einigen Tausend bis Hunderttausend Zeilen
• Wenige, gut interpretierbare Features
• Modell muss erklärbar sein (Kredit, Medizin, Justiz)
• Begrenzte Rechenleistung oder Deployment auf schwacher Hardware

Aspekt	Klassisches ML	Deep Learning
Datenbedarf	1.000 – 100.000	100.000 – Milliarden
Feature Engineering	Wichtig, manuell	Lernt Features selbst
Interpretierbarkeit	Meist gut	Meist schlecht
Rechenkosten	Niedrig	Hoch (GPU/TPU)
Typische Anwendung	Tabellen, Tabellen, Tabellen	Bilder, Text, Audio

Die Vertiefung findest du im Hub Deep Learning & Neuronale Netze — dort gehen wir in neuronale Netze, Backpropagation, Architekturen wie CNNs und Transformer im Detail.

Vertiefe dein Wissen: Dein Weg durch Machine Learning

Dieser Hub ist dein Startpunkt. Je nach Interesse geht es hier in drei Richtungen weiter:

Grundkonzepte vertiefen

• Was ist KI? — der Rahmen, in dem ML steht. · ~10 Min.
• Transformer — die Architektur moderner Sprachmodelle. · ~10 Min.
• Diffusionsmodelle — so funktionieren Bild-KIs wie Midjourney. · ~7 Min.
• Prompt-Engineering — wie du mit LLMs gute Ergebnisse bekommst. · ~6 Min.

ML-Anwendungen und Ethik

• Bias und Fairness in KI — warum ML nicht neutral ist. · ~7 Min.
• RAG — Retrieval Augmented Generation — LLMs mit eigenen Daten. · ~8 Min.
• Zukunft der KI — wohin die Reise geht. · ~9 Min.

ML in der Praxis

• ChatGPT kennenlernen — der Einstieg ins bekannteste LLM.
• Private Nutzung — KI im Alltag, im Studium, zuhause.
• Gewerbliche Nutzung — KI im Beruf und Unternehmen.
• Chancen und Risiken — die nüchterne Gegenüberstellung.