Beim überwachten Lernen haben die Beispiele ein Ergebnis (Label), etwa ein Foto mit der Beschriftung „Katze“. Das Modell lernt die Zuordnung. Ist das Ergebnis eine Klasse, heißt die Aufgabe Klassifikation, ist es eine Zahl, heißt sie Regression. Beim unüberwachten Lernen gibt es keine Labels, das Modell sucht selbst Struktur, zum Beispiel Gruppen (Clustering). Beim bestärkenden Lernen probiert ein Agent Aktionen in einer Umgebung aus und bekommt Belohnungen oder Strafen. Er lernt, welche Aktionen langfristig am meisten Belohnung bringen.

Die Beispiele werden aufgeteilt. Die Trainingsdaten dienen dazu, die Parameter des Modells einzustellen. Die Testdaten kennt das Modell nicht, an ihnen misst man, wie gut es auf neuen Daten arbeitet. Passt ein Modell sehr gut auf die Trainingsdaten, aber schlecht auf die Testdaten, hat es die Beispiele auswendig gelernt (Überanpassung), statt zu verallgemeinern.

Ein Perzeptron ist ein einzelnes künstliches Neuron. Es multipliziert jede Eingabe $x_i$ mit einem Gewicht $w_i$, addiert einen Bias $b$ und gibt 1 aus, wenn die Summe größer als 0 ist, sonst 0. Damit trennt es die Eingaben durch eine Gerade (allgemein eine Hyperebene) in zwei Klassen.

Die Delta-Lernregel passt Gewichte und Bias nach jedem Trainingsbeispiel an. Dabei ist $t$ die richtige Ausgabe, $y$ die Ausgabe des Perzeptrons und $\eta$ die Lernrate, ein kleiner positiver Wert. Ist $y = t$, bleibt alles gleich. Bei einem Fehler verschieben sich die Gewichte so, dass er kleiner wird. Man geht alle Beispiele mehrfach durch, jeder Durchgang heißt Epoche.

Ein neuronales Netz ordnet Neuronen in Schichten: Eingabeschicht, eine oder mehrere verdeckte Schichten, Ausgabeschicht. Jedes Neuron berechnet $z = \sum w_i x_i + b$ und gibt $\varphi(z)$ weiter. $\varphi$ heißt Aktivierungsfunktion. Die harte Schwelle des Perzeptrons eignet sich dafür nicht, weil sie sich nicht sinnvoll ableiten lässt. Üblich sind die Sigmoidfunktion $\sigma(z) = \frac{1}{1 + e^{-z}}$ mit Werten zwischen 0 und 1 und ReLU $\max(0, z)$. Mit nichtlinearer Aktivierung lernt ein Netz mit verdeckter Schicht auch XOR.

Die Forward Propagation rechnet eine Eingabe Schicht für Schicht bis zur Ausgabe $y$ durch. Die Kostenfunktion misst, wie weit die Ausgaben von den Sollwerten $t$ abweichen, hier als mittlerer quadratischer Fehler über $n$ Beispiele. Lernen heißt: Gewichte finden, für die $E$ klein ist.

Backpropagation berechnet mit der Kettenregel, wie stark $E$ von jedem einzelnen Gewicht abhängt, also die partielle Ableitung $\frac{\partial E}{\partial w}$. Man rechnet dabei rückwärts von der Ausgabe zur Eingabe. Danach verschiebt man jedes Gewicht ein Stück gegen diese Steigung (Gradientenabstieg), so dass $E$ sinkt:

k-Means teilt Daten ohne Labels in $k$ Gruppen. Die Zahl $k$ legst du vorher fest. Ablauf: Wähle $k$ Startzentren. Ordne jeden Punkt dem nächsten Zentrum zu. Setze jedes Zentrum auf den Mittelwert seiner Punkte. Wiederhole Zuordnen und Mitteln, bis sich keine Zuordnung mehr ändert.

Bei der linearen Regression sagst du eine Zahl voraus. Du suchst die Gerade $y = a x + b$, für die der mittlere quadratische Fehler zu den Messpunkten am kleinsten ist. Es ist dieselbe Kostenfunktion wie oben.

Parameter wie Gewichte und Bias lernt das Modell. Hyperparameter legt der Mensch vor dem Training fest: die Lernrate, die Zahl der Schichten und Neuronen, die Aktivierungsfunktion, die Zahl der Epochen, bei k-Means die Zahl $k$. Eine zu große Lernrate lässt den Fehler springen, eine zu kleine macht das Training langsam. Zum Vergleichen von Einstellungen nimmt man einen dritten Datensatz, die Validierungsdaten, damit die Testdaten unberührt bleiben.

Ein Modell übernimmt die Muster seiner Daten, auch ungerechte. Dieser Bias (Verzerrung) entsteht, wenn Gruppen in den Daten zu selten vorkommen oder frühere Entscheidungen widerspiegeln. Ein Bewerbungssystem, das mit den Entscheidungen der letzten Jahre trainiert wurde, kann dieselben Gruppen bevorzugen wie damals.

Erklärbarkeit fragt, warum ein Modell so entschieden hat. Einen Entscheidungsbaum kannst du lesen, ein Netz mit sehr vielen Gewichten kaum (Black Box). Betrifft die Entscheidung Menschen, etwa bei Kredit oder Diagnose, braucht man Nachvollziehbarkeit. Ethische Fragen: Wer haftet für Fehler? Welche Daten dürfen verwendet werden? Welche Entscheidungen bleiben bei Menschen?

Ein Large Language Model (LLM) ist ein neuronales Netz, das mit sehr großen Textmengen darauf trainiert wurde, das nächste Textstück vorherzusagen. Es erzeugt flüssigen Text, kann aber Falsches überzeugend formulieren (Halluzination).

Beim Nutzen beschreibst du Aufgabe und gewünschtes Format im Prompt genau und gibst Beispiele mit. Du prüfst die Antwort: Fakten gegen Quellen, Code durch Tests. Du gibst keine personenbezogenen oder vertraulichen Daten ein, solange unklar ist, wie der Anbieter sie verwendet. Du kennzeichnest die Nutzung und beachtest die Regeln der Schule.