Fachbegriffe der künstlichen Intelligenz

Unter supervised learning (dt. überwachtes Lernen) wird eine Unterart des maschinellen Lernens verstanden. Bei dieser Lernform liegt dem Algorithmus ein Datensatz vor, bei dem die Zielvariable bekannt ist. Man spricht auch davon, dass die Daten gelabelt sind.  Der Algorithmus versucht nun, anhand einer großen Menge von Trainingsdaten solche Muster zu erkennen, die zur erfolgreichen Vorhersage der Zielvariable führen

Underfitting ist ein Problem, das bei der Modellierung auftritt, wenn das Modell nicht in der Lage ist, die zugrunde liegenden Muster in den Daten zu erfassen. Dies kann dazu führen, dass das Modell schlechte Vorhersagen macht und seine Leistung bei der Generalisierung auf neue Daten beeinträchtigt wird. Underfitting tritt häufig auf, wenn das Modell zu einfach oder unzureichend trainiert ist.

Unstrukturierte Daten sind Daten, die nicht in einer bestimmten Form oder einem bestimmten Format vorliegen und nicht in einer Datenbank oder einem Tabellenkalkulationsprogramm organisiert werden können. Beispiele für unstrukturierte Daten sind Texte, Bilder oder Audiodateien. Unstrukturierte Daten sind schwieriger zu verarbeiten als strukturierte Daten und erfordern oft spezielle Methoden der Verarbeitung

Unsupervised Feature Learning ist eine Methode des maschinellen Lernens, bei der das Modell aus den Daten selbst lernt, welche Merkmale (Features) relevant sind. Im Gegensatz zur überwachten Lernmethode werden die Daten nicht gelabelt, und das Modell wird aufgefordert, Muster und Strukturen in den Daten zu identifizieren.