Konzept Maschinelles Lernen
Maschinelles Lernen ist ein Oberbegriff für die «künstliche» Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern es «erkennt» Muster und Gesetzmäßigkeiten in den Lerndaten. So kann das System auch unbekannte Daten beurteilen (Lerntransfer).
Quelle: Wikipedia, Maschinelles Lernen
Analogie
Sie – bzw. Ihr Gehirn – können anhand von rein visuellen Informationen recht zuverlässig beurteilen, ob ein Ihnen unbekanntes Gesicht zu einer männlichen oder weiblichen Person gehört. Dabei hat Ihnen sicher nie jemand beigebracht, wie genau man eine solche Unterscheidung trifft. Stattdessen haben Sie ein gewisses Mass an Erfahrung mit Aussehen und Geschlecht von bekannten Personen und können diese kaum explizit zu formulierenden Erfahrungen verallgemeinern, d.h. auf neue Gesichter transferieren. Sie haben anhand der Beispiele implizites Wissen über die Gesetzmässigkeiten weiblicher und männlicher Gesichter erworben und können damit neue Beispiele als «ähnlich» klassifizieren.
Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz (bzw. artificial intelligence, AI), das sich insbesondere auf die Mustererkennung fokussiert. Typische Einsatzgebiete sind u.a. die Klassifizierung oder Vorhersage von Daten, auch im Zusammenhang mit Datamining. Zu unterscheiden ist zwischen symbolischen Systemen, in denen bedeutungstragende Daten mit explizit formulierten Regeln manipuliert werden, und subsymbolischen Systemen, in denen sowohl das enthaltene «Wissen» als auch die enthaltenen Regularitäten implizit und für den Programmierer intransparent repräsentiert sind – beispielsweise in den Verbindungsgewichten eines Neuronalen Netzwerks.