Was ist Machine Learning? Ein intuitiver Einstieg

1. Einstieg: Wo begegnet dir Machine Learning im Alltag?

Stell dir den heutigen Tag vor:

• Dein Musik‑ oder Video‑Streamingdienst schlägt dir neue Songs oder Serien vor.
• Dein E‑Mail‑Postfach sortiert Spam automatisch aus.
• Dein Smartphone entsperrt sich per Gesichtserkennung.
• Navigations‑Apps schlagen dir die „schnellste Route“ vor – abhängig vom aktuellen Verkehr.

Hinter all dem steckt Machine Learning (ML).

Merke (intuitiv):

> Machine Learning ist eine Methode, mit der Computer aus Beispielen lernen, anstatt jede Entscheidung Schritt für Schritt von Menschen vorgegeben zu bekommen.

In diesem Modul schauen wir uns an:

1. Was Machine Learning genau bedeutet (in einfachen Worten)
2. Wie es sich von klassischer Programmierung unterscheidet
3. Typische Einsatzgebiete – mit Alltagsbeispielen
4. Wie ein ganz einfaches ML‑Modell „denkt“

Ziel: Am Ende kannst du in eigenen Worten erklären, was ML ist, und mindestens drei Anwendungen nennen.

2. Klassische Programmierung vs. Machine Learning

Beginnen wir mit dem Vergleich, denn daran wird ML besonders anschaulich.

Klassische Programmierung (Regel-basiert)

Du schreibst explizite Regeln:

```text

Wenn Bedingung A erfüllt ist, dann mache B,

sonst mache C.

```

Beispiel Spamfilter (klassisch gedacht):

• WENN die E‑Mail die Wörter „Gewinn“ UND „Jetzt kaufen“ enthält
• UND der Absender unbekannt ist
• DANN markiere sie als Spam

Du musst jede Regel selbst ausdenken und programmieren. Das wird schnell kompliziert und unübersichtlich.

Machine Learning (datengetrieben)

Beim ML sagst du dem Computer nicht alle Regeln, sondern du gibst ihm:

1. Viele Beispiele (Daten), z. B. E‑Mails, die als Spam oder kein Spam markiert sind
2. Ein Lernverfahren (Algorithmus), das aus diesen Beispielen Muster erkennt

Das System lernt selbst, welche Kombinationen von Wörtern, Absendern, Uhrzeiten usw. typischerweise zu Spam gehören.

Wichtiger Unterschied:

• Klassische Programmierung: „Programmierer:in schreibt Regeln“
• Machine Learning: „Programmierer:in sammelt Daten + wählt Lernverfahren; das System findet Regeln selbst“

3. Denkübung: Regelliste vs. Lernen aus Beispielen

Stell dir vor, du sollst ein Programm schreiben, das Katzenbilder von Hunde­bildern unterscheidet.

Aufgabe A: Klassische Programmierung

Beantworte für dich (kurz stichwortartig):

1. Welche Regeln würdest du formulieren? (z. B. „Katzen haben spitze Ohren“)
2. Welche Probleme treten auf, wenn du nur mit solchen Regeln arbeitest?

> Notiere dir 2–3 Punkte. Überlege: Was ist mit Katzen mit runden Ohren? Was, wenn nur ein Teil des Tiers zu sehen ist?

Aufgabe B: Machine Learning

Stell dir vor, du hast 10.000 Bilder, jeweils mit Label:

• „Katze“ oder
• „Hund“.

Beantworte für dich:

1. Was könnte ein ML‑System aus diesen vielen Beispielen lernen, was du nicht einfach als feste Regel hinschreiben kannst?
2. Warum wird das System mit mehr Daten tendenziell besser?

> Ziel der Übung: Spüre intuitiv, dass bei komplexen Aufgaben (Bilder, Sprache) Regeln manuell zu formulieren extrem schwer ist – während Lernen aus Beispielen natürlicher ist.

4. Was ist Machine Learning? – Eine einfache Definition

Nach der Intuition jetzt eine kompakte Definition in einfachen Worten.

Alltagsnahe Definition

> Machine Learning ist ein Teilgebiet der Künstlichen Intelligenz, bei dem Computer aus Daten Muster und Zusammenhänge lernen, um Entscheidungen oder Vorhersagen zu treffen – ohne dass jede einzelne Entscheidungsregel vorher von Menschen programmiert wird.

Wichtige Bausteine:

1. Daten

Beispiele aus der Vergangenheit: Bilder, Texte, Messwerte, Klicks, Käufe, Sensorwerte …

1. Modell

Eine mathematische Struktur, die versucht, Muster in den Daten abzubilden (z. B. eine einfache Gerade, ein Entscheidungsbaum, ein neuronales Netz). Details sind hier noch nicht wichtig.

1. Lernverfahren (Algorithmus)

Ein Verfahren, das das Modell so anpasst, dass es zu den Daten passt – vereinfacht: „Schrauben drehen, bis die Vorhersagen möglichst gut sind“.

1. Aufgabe

Etwas, das das System können soll, z. B.:

• Bild → „Katze“ oder „Hund“ (Klassifikation)
• Temperatur heute → Temperatur morgen (Vorhersage)

Merke: Ohne Daten kein Machine Learning.

5. Typische Einsatzgebiete – mit Alltagsbeispielen

Hier ein Überblick über wichtige Anwendungsfelder von ML, die du heute (Stand Anfang 2026) im Alltag spürst.

1. Empfehlungen (Recommender Systems)

• Streaming (Spotify, Netflix, YouTube):
• ML analysiert, welche Inhalte du schaust/hörst, wie lange du dranbleibst, was ähnliche Nutzer:innen mögen.
• Ziel: Vorschläge machen, die dir wahrscheinlich gefallen.
• Online‑Shops:
• „Das könnte Ihnen auch gefallen“ basiert meist auf ML‑Modellen.

2. Bilderkennung (Computer Vision)

• Gesichtserkennung beim Entsperren des Smartphones
• Objekterkennung in Fotos („Zeige mir alle Bilder mit Hunden“)
• Medizinische Bildanalyse:
• ML hilft Ärzt:innen z. B. beim Erkennen von Auffälligkeiten in Röntgen‑ oder MRT‑Bildern.

3. Sprachverarbeitung (Natural Language Processing)

• Sprachassistenten (z. B. auf Smartphones, in Smart Speakern):
• Umwandlung von gesprochener Sprache in Text (Spracherkennung)
• Verstehen der Bedeutung (z. B. „Stelle einen Wecker auf 7 Uhr“)
• Übersetzungstools:
• Nutzen ML‑Modelle, um Texte zwischen Sprachen zu übersetzen.

4. Personalisierung & Werbung

• Personalisierte Werbung in sozialen Netzwerken oder Suchmaschinen:
• ML schätzt, welche Anzeigen du am ehesten anklickst.

5. Weitere wichtige Bereiche

• Navigation & Verkehr: Stauvorhersage, Routenplanung
• Finanzen: Betrugserkennung bei Kreditkarten, Kreditwürdigkeits‑Scoring
• Industrie: Vorhersage von Maschinenausfällen (Predictive Maintenance)

> Aufgabe für dich: Notiere dir mindestens drei dieser Anwendungen, die du selbst schon genutzt oder bemerkt hast.

6. Verständnischeck: Was ist typisch für Machine Learning?

Beantworte die folgende Frage, um dein Verständnis zu prüfen.

7. Ein einfaches ML-Beispiel: Hauspreise vorhersagen

Wir schauen uns jetzt ein sehr vereinfachtes Beispiel an, wie ein ML‑Modell „denkt“.

Aufgabe: Hauspreis schätzen

Stell dir vor, du willst den Preis eines Hauses schätzen. Du hast eine Tabelle mit vergangenen Verkäufen:

| Wohnfläche (m²) | Preis (in 1.000 €) |

|-----------------|--------------------|

| 50 | 150 |

| 60 | 170 |

| 80 | 220 |

| 100 | 260 |

Du möchtest wissen: Was kostet ungefähr ein Haus mit 90 m²?

Klassische Programmierung

Du müsstest selbst eine Formel finden, z. B.:

```text

Preis = 100.000 € + (1.500 € × Wohnfläche)

```

Du rätst bzw. schätzt die Zahlen und passt sie manuell an.

Machine Learning‑Ansatz

Beim ML passiert vereinfacht Folgendes:

1. Modell wählen

Zum Beispiel: „Preis ≈ a × Wohnfläche + b“ (eine Gerade).

1. Daten geben

Die obige Tabelle ist dein Trainingsdatensatz.

1. Lernverfahren anwenden

Der Algorithmus sucht automatisch die Werte für a und b, bei denen die Gerade möglichst gut durch die Datenpunkte passt.

1. Vorhersage machen

Für 90 m² setzt das Modell die Fläche in die gelernte Formel ein und gibt einen geschätzten Preis aus.

Du musst nicht die perfekte Formel raten – das Modell passt sich anhand der Daten an.

8. Mini-Code-Beispiel: Einfache Vorhersage (nur zur Anschauung)

Der folgende Python‑Code zeigt sehr vereinfacht, wie ein ML‑Modell trainiert werden könnte. Du musst den Code noch nicht im Detail verstehen – er soll dir nur das Prinzip illustrieren.

```python

Achtung: Dies ist ein stark vereinfachtes Beispiel.

In der Praxis würdest du Bibliotheken wie scikit-learn verwenden.

Trainingsdaten: Wohnfläche (m²) und zugehöriger Preis (in 1.000 €)

wohnflaeche = [50, 60, 80, 100]

preis = [150, 170, 220, 260]

Wir wollen eine einfache Gerade lernen: preis ≈ a * wohnflaeche + b

Hier "tun wir so", als hätten wir ein Lernverfahren, das a und b findet.

--- Pseudocode für das Lernen (nicht effizient, nur anschaulich) ---

a = 0.0

b = 0.0

lernrate = 0.0001

for epoche in range(1000):

Wir berechnen für alle Datenpunkte die Vorhersage und den Fehler

fehlersummea = 0.0

fehlersummeb = 0.0

for x, y in zip(wohnflaeche, preis):

y_vorher = a * x + b

fehler = y_vorher - y

Beitrag zum Gradienten (Ableitung)

fehlersummea += fehler * x

fehlersummeb += fehler

Wir passen a und b leicht an (Gradientenabstieg)

a -= lernrate * fehlersummea

b -= lernrate * fehlersummeb

Nach dem "Lernen" können wir eine Vorhersage machen:

neue_wohnflaeche = 90

vorhergesagterpreis = a * neuewohnflaeche + b

print("Geschätzter Preis für 90 m²:", vorhergesagter_preis, "Tausend Euro")

```

Kernidee: Die Werte a und b werden schrittweise angepasst, bis die Vorhersagen zu den Trainingsdaten halbwegs passen. Genau dieses Anpassen aus Daten ist typisch für ML.

9. Quiz: Anwendungen von Machine Learning erkennen

Wähle die Antwort, die nur Anwendungen enthält, bei denen typischerweise Machine Learning eingesetzt wird.

10. Wichtige Begriffe wiederholen

Nutze die Karteikarten, um zentrale Begriffe zu wiederholen. Versuche zuerst, die Antwort zu formulieren, bevor du die Rückseite liest.

11. Transferaufgabe: Machine Learning in deinen Worten erklären

Versuche nun, Machine Learning in deinen eigenen Worten zu beschreiben.

Aufgabe

1. Formuliere in 2–3 Sätzen:

• Was ist Machine Learning?
• Worin unterscheidet es sich von klassischer Programmierung?

1. Notiere mindestens drei reale Anwendungen, die du kennst (z. B. aus diesem Modul oder deinem Alltag) und beschreibe sie jeweils in einem Satz.

Beispielstruktur (nur als Hilfe – versuche, eigene Worte zu nutzen):

• „Machine Learning ist …“
• „Im Unterschied zur klassischen Programmierung …“
• „Ein Beispiel ist …, dabei lernt das System aus …, um … zu tun.“

> Tipp: Wenn du es einer Person erklären könntest, die kein Informatikstudium hat (z. B. einem Familienmitglied), hast du das Lernziel erreicht.