Teil D · KI im Einsatz · Lektion 13

Algorithmen im Überblick

Geprüft am 20.11.2026

Es gibt nicht „den besten“ Algorithmus. Gewählt wird nach Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit.

Im Alltag

Für jede Aufgabe gibt es das passende Werkzeug im Werkzeugkasten: Schraubenzieher, Zange, Säge. Mit allem kann man irgendwie arbeiten – aber nicht mit allem gleich gut.

Fachlich

Ein Algorithmus ist eine eindeutige Handlungsvorschrift in endlich vielen Schritten. Im ML unterscheidet man den Lernalgorithmus (wie trainiert wird) vom fertigen Modell (dem Ergebnis mit gelernten Parametern).

FamilieIdeeTypisch fürErklärbar?
Lineare Modelle (lineare, logistische Regression)gewichtete Summe der MerkmalePrognosen, Wahrscheinlichkeiten, Basismodellgut
EntscheidungsbäumeFolge von Ja/Nein-FragenTabellendaten, Regeln für Fachabteilungengut
Ensembles (Random Forest, Gradient Boosting)viele Bäume stimmen abTabellendaten mit hoher Genauigkeitmittel
Nachbarschaftsverfahren (k-nächste Nachbarn)„Sag mir, wer deine Nachbarn sind“Empfehlungen, kleine Datensätzemittel
Clusterverfahren (k-Means, DBSCAN)ähnliche Punkte gruppierenSegmente, Anomalienmittel
Neuronale Netze (Deep Learning)viele Schichten künstlicher NeuronenBild, Sprache, Text, sehr große Datengering

Faustregel: Bei Tabellendaten zuerst ein einfaches, erklärbares Modell als Baseline – oft schlagen Gradient-Boosting-Verfahren dort neuronale Netze. Bei Bildern, Sprache und Text sind neuronale Netze Stand der Technik.

Merksatz

Es gibt nicht „den besten“ Algorithmus. Gewählt wird nach Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit.

Prüfungstipp

Begründen Sie eine Verfahrenswahl immer mit mindestens zwei Kriterien aus der Situation, z. B.: „Tabellendaten mit 20.000 Zeilen und Erklärungspflicht gegenüber dem Kunden – daher Entscheidungsbaum oder logistische Regression statt neuronalem Netz.“

Hinweise für Lehrende

Die Verfahren werden in Modul 3 bis 5 einzeln erklärt und gerechnet. Hier reicht die Landkarte. Wichtig für Führungskräfte: Ein erklärbares Modell mit 2 % weniger Genauigkeit ist oft die bessere Geschäftsentscheidung.

Häufige Fragen zu „Algorithmen im Überblick“

Welche Algorithmen des maschinellen Lernens sollte ich kennen?

Für die Prüfung wichtig sind lineare und logistische Regression, Entscheidungsbäume, Ensembles wie Random Forest und Gradient Boosting, k-nächste Nachbarn, Clusterverfahren wie k-Means sowie neuronale Netze.

Welcher Algorithmus ist der beste?

Es gibt keinen besten. Die Wahl hängt von Datenart, Datenmenge, geforderter Genauigkeit und Erklärbarkeit ab; bei Tabellendaten sind Baum-Ensembles oft sehr stark, bei Bildern und Sprache neuronale Netze.

Was ist eine Baseline?

Ein einfaches Vergleichsmodell, an dem sich aufwendigere Modelle messen lassen müssen. Ist ein komplexes Modell kaum besser als die Baseline, lohnt sich der Aufwand meist nicht.