Informatik KI – Maschinelles Lernen Grundlagen
Maschinelles Lernen ist Kernkompetenz moderner Informatik – von Empfehlungssystemen bis medizinischer Diagnose. Nach dem Lernen dieser Karten kennst du die Unterschiede zwischen überwachtem und unüberwachtem Lernen, verstehst Overfitting und Regularisierung und kannst Modellgüte mit Precision, Recall und F1-Score bewerten. Die Karten decken die theoretischen Grundlagen ab, die in jeder ML-Klausur und jedem Data-Science-Interview gefragt sind.
Lernziele
Was du in dieser Lektion lernst
- Was unterscheidet überwachtes von unüberwachtem Lernen?
- Nenne die drei Hauptkategorien des maschinellen Lernens.
- Was ist Overfitting und wie erkennt man es?
- Erkläre den Bias-Variance-Tradeoff in einem Satz.
Lerntipp
Zeichne den Bias-Variance-Tradeoff als U-Kurve selbst: x-Achse Modellkomplexität, y-Achse Fehler. Markiere Trainings- und Testfehler – so verstehst du visuell, warum Regularisierung und Early Stopping wirken.
Hinweis: Der Inhalt dieser Seite wurde mit einem KI-Modell erzeugt und nicht von Fachmenschen geprüft. Nutze die Karten als Lernhilfe und gleiche medizinische oder rechtliche Aussagen mit deinen Unterlagen ab.
Karteikarten
Alle 14 Lernkarten
Tippe auf eine Karte, um die Antwort aufzudecken
Häufige Fragen
Die wichtigsten Fragen zu Informatik KI – Maschinelles Lernen Grundlagen
- Was unterscheidet überwachtes von unüberwachtem Lernen?
- Überwachtes Lernen nutzt gelabelte Trainingsdaten (Input-Output-Paare), unüberwachtes Lernen findet Strukturen in ungelabelten Daten ohne Zielvariable.
- Nenne die drei Hauptkategorien des maschinellen Lernens.
- Überwachtes Lernen (Supervised), unüberwachtes Lernen (Unsupervised) und Bestärkendes Lernen (Reinforcement Learning) – letztere lernt durch Belohnungssignale in einer Umgebung.
- Was ist Overfitting und wie erkennt man es?
- Overfitting liegt vor, wenn das Modell Trainingsdaten auswendig lernt statt zu generalisieren: Trainingsfehler sehr niedrig, Testfehler deutlich höher.
- Erkläre den Bias-Variance-Tradeoff in einem Satz.
- Einfache Modelle haben hohen Bias (Unteranpassung), komplexe Modelle hohe Varianz (Overfitting) – optimale Modellkomplexität minimiert den Gesamtfehler.
- Wie funktioniert Gradient Descent vereinfacht?
- Iteratives Optimierungsverfahren: Berechne Gradienten der Verlustfunktion nach Parametern, aktualisiere Parameter entgegen der Gradientenrichtung mit Lernrate als Schrittweite.
Warum Atrio?
- FSRS-5 Spaced Repetition
- Der Algorithmus plant jede Wiederholung anhand deiner eigenen Lernhistorie und stellt Karten kurz bevor du sie vergisst – das reduziert unnötige Wiederholungen.
- KI-Import
- Notizen, Skripte und PDFs in Sekunden in Lernkarten verwandeln – genau wie diese Seite automatisch entsteht.
- Prüfungsplanung
- Termine hinterlegen und Atrio berechnet rückwärts, wie viele Karten du pro Tag lernen musst – ohne Stress.
Interaktiv lernen
Diese 14 Karten jetzt interaktiv in der Atrio-App lernen
Atrio zeigt dir jede Karte dann, wenn du sie fast vergessen hättest – damit bleibt genau das hängen, was du lernst.
Starter-Plan kostenlos – keine Kreditkarte erforderlich.