Supervised Learning funktioniert mit gelabelten Daten. Du zeigst dem Modell Beispiele und die richtigen Antworten dazu. E-Mail: Spam oder nicht? Bild: Katze oder Hund? Das Modell lernt die Muster und kann dann neue, ungesehene Daten klassifizieren. Das ist der Standardfall für die meisten praktischen Anwendungen. Regression sagt kontinuierliche Werte vorher, Klassifikation ordnet Dinge in Kategorien ein. Simple Sache eigentlich. Der Haken: Du brauchst diese gelabelten Daten. Viele davon. Und die zu erstellen kostet Zeit und oft Geld. Unsupervised Learning kommt ohne Labels aus. Das Modell sucht selbst nach Strukturen in den Daten. Clustering gruppiert ähnliche Datenpunkte, Dimensionsreduktion macht komplexe Daten überschaubarer. Nützlich für Anomalieerkennung oder wenn du erstmal verstehen willst, was in deinen Daten überhaupt steckt. Klingt praktisch, ist aber weniger zielgerichtet. Semi-Supervised mischt beides. Ein paar gelabelte Beispiele, der Rest ohne Labels. Das funktioniert überraschend gut, wenn Labeln zu aufwendig ist. Reinforcement Learning ist nochmal was anderes. Ein Agent lernt durch Trial and Error, bekommt Belohnungen für gute Aktionen. Relevant für Robotik oder Spieleentwicklung, aber für Standardprobleme meist Overkill.