🧠 Von der Klassik zu neuronalen Netzen #MLSTART

Wenn man ein grundlegendes Verständnis der Konzepte des maschinellen Lernens hat, möchte man alles systematisieren: welche Arten von Aufgaben es gibt, welche Modelle man dafür verwendet und wie alles miteinander zusammenhängt.

🔹 Zu Beginn sollte man sich mit den wichtigsten Aufgabentypen vertraut machen:

- Klassifikation - wenn eine Kategorie bestimmt werden muss (z.B. Spam / kein Spam).
- Regression - wenn ein numerischer Wert vorhergesagt wird (z.B. der Preis einer Wohnung).
- Clustering - wenn es viele Daten gibt, aber keine Labels, und die Daten irgendwie gruppiert werden müssen.

🔹 Dann ist es logisch, zu den Schlüsselmodellen überzugehen: lineare Modelle, Bäume, Ensembles. Hier ist es wichtig, nicht nur die Namen zu kennen, sondern zu verstehen, in welchen Fällen jedes am besten funktioniert, wie es trainiert wird, welche Daten es als Eingabe akzeptiert und welche Stärken und Schwächen es hat.

📈 Wenn diese Phase abgeschlossen ist, kann man sich ruhig den neuronalen Netzen zuwenden.

Hier beginnt das Interessanteste: wie ein Netzwerk aufgebaut ist, wie es trainiert wird, welche Architekturen es gibt und warum Transformatoren so populär geworden sind.

💡 Tatsächlich sind neuronale Netze nichts „Separates“, sondern einfach eine logische Fortsetzung der grundlegenden Algorithmen des maschinellen Lernens.

Ein solcher schrittweiser Übergang – von der Klassik zu modernen Architekturen – hilft, nicht den Überblick zu verlieren und sich bewusst dem nächsten Thema zu nähern: LLM (Große Sprachmodelle).

Zurück zum Inhaltsverzeichnis

👩‍💻 Data Flow