Überwachtes Lernen (Supervised Learning) einfach erklärt! - Machine Learning Grundlagen
Вставка
- Опубліковано 29 вер 2024
- In diesem Video erklären wir: Was Überwachtes Lernen (Supervised Lernen) ist und zeigen dir an einem Beispiel wie es funktioniert. Dabei gehen wir auf die Einsatzzwecke, Beispiele und den Trainingsprozess beim maschinellen Lernen und die benötigten Trainingsdaten ein.
00:12 - Was ist Überwachtes Lernen (Supervised Learning)?
00:55 - Überwachtes Lernen Beispiel
03:44 - Overfitting vermeiden
04:28 - Traningsdaten
05:27 - Unterschied Supervised vs. Unsupervised Learning
Wir starten in dem Video mit einer Definition von Überwachtes Lernen (Supervised Lernen) und erklären, wie Supervised Learning eigentlich funktioniert. Dazu schauen wir uns ein Beispiel aus dem UCI Repository an, wo Bankdaten für eine Klassifikation von einer Direktmailingkampagne aus dem Marketing genutzt werden. Die Daten findest du hier: archive.ics.uc...
Zum Schluss zeige ich dir an wie man Overfitting vermeiden kann und wie überwachtes Lernen eigentlich funktioniert und wie ein Algorithmus trainiert wird.
Wenn dir das Video gefallen hat, dann abonniere doch unseren UA-cam-Kanal für weitere spannende Videos rund um das Thema künstliche Intelligenz und maschinelles Lernen im Marketing.
Den Artikel zu Machine Learning (Maschinelles Lernen) findest du auch auf unserem Blog: datasolut.com/...
Einen Artikel zu Supervised Learning findest du hier: datasolut.com/...
Einen Artikel zu Unsupervised Learning findest du hier: datasolut.com/...
▬ Internetpräsenz ▬▬▬▬▬▬▬▬▬▬▬▬
► Unsere Website: datasolut.com/
►Facebook: / datasolut.offical
►LinkedIn: / datasolut
►Xing: www.xing.com/c...
Sehr sehr informativ. Vielen Dank!
Mega! Vielen Dank für dein Feedback. Schön zu hören!
zum supervised learning: ich hatte mir das aber so vorgestellt, dass der algorythmus die neuen testdaten auch dazu verwendet , um sein modell zu verbessern. ist das so? also dass sich das system stetig verbessert und weiterentwickelt? oder was passiert genau, wenn ich feststelle, dass mein modell die testdaten nicht so gut erklären kann wie die trainingsdaten?
und wenn das system ständig weiter lernt und sich verbessert, was ist dann der unterschied zum reinforcement learning?
Die Trainingsdaten werden dazu genutzt das Modell zu trainieren. Testdaten werden dazu genutzt, um die Modellqualität zu beurteilen.
Wenn dein Modell im Training super funktioniert, aber auf den Testdaten versagt, hast du ein overfitting.
Das system kann nur weiter lernen, wenn du neue Daten für das Training bereitstellst.
Tolles Video, danke!
Danke!!