Lernen ohne Antwortbogen — die anspruchsvollere, aber oft praktischere Variante des Maschinellen Lernens.
Grundlagen 8 min Fortgeschritten 18. Mai 2026
Dein Streaming-Dienst gruppiert Filme in Kategorien, die ihm niemand beigebracht hat. Deine Bank blockiert betrügerische Transaktionen in Millisekunden — obwohl dem System nie gezeigt wurde, wie Betrug aussieht. Wie entdecken Maschinen verborgene Muster in Daten, wenn es keine Antworten zum Lernen gibt?
Nach sieben Artikeln über Supervised Learning, bei dem Modelle mit gelabelten Daten trainiert werden, drehen wir den Ansatz um. Was passiert, wenn es keine Labels, keine korrekten Antworten und keinen Lehrer gibt? Unsupervised Learning ist die Methode, mit der Maschinen verborgene Strukturen in rohen, ungelabelten Daten entdecken — von Kundensegmentierung bis Betrugserkennung. Dieser Artikel stellt drei grundlegende Techniken vor.
Das Paradigma ohne Lehrer
Beim Supervised Learning hat das Modell Antworten, von denen es lernen kann — die Labels. Beim Unsupervised Learning muss der Algorithmus Muster vollständig eigenständig finden. Das ist nicht einfacher — es ist fundamental anders.
Drei Säulen tragen dieses Paradigma: Clustering (Gruppen finden), Dimensionsreduktion (das Wesentliche finden) und Anomalieerkennung (Ausreißer finden). Jede Technik löst eine andere Facette der Herausforderung, und jede bringt Kompromisse mit sich, die der Entwickler — nicht die Maschine — navigieren muss.
2013 Publikationen
Word2Vec: Wörter als Vektoren
Die Transformation der Wort-Repräsentation durch semantische Vektorräume. Am 16. Januar 2013 veröffentlichte Tomas Mikolov mit seinem Google-Team das wegweisende Paper „Efficient Estimation of Word Representations in Vector Space“. Word2Vec transformierte NLP durch die Darstellung von Wörtern als dichte, niedrigdimensionale Vektoren (typisch 100 bis 300 Dimensionen), die semantische und syntaktische Beziehungen erfassen – ein Bruch mit den riesigen, dünn besetzten One-Hot-Vektoren früherer Verfahren. Die zwei Architektur-Varianten CBOW (Continuous Bag of Words) und Skip-Gram lernten aus großen Text-Korpora, dass ähnliche Wörter in ähnlichen Kontexten auftreten. Das berühmte Beispiel demonstrierte Vektor-Arithmetik: König - Mann + Frau = Königin. Mit über 49.000 Zitierungen wurde Mikolovs Arbeit zu einem der einflussreichsten NLP-Papers. Word2Vec legte das Fundament für alle modernen Embedding-Techniken und ermöglichte semantisches Reasoning in Vektorräumen. Diese Innovation ebnete den Weg für Transformer-Architekturen und moderne Large Language Models.
Clustering mit k-Means
k-Means-Clustering
AnalogieDefinition
Stell dir vor, du schüttest eine Schachtel mit 200 gemischten Knöpfen auf den Tisch — verschiedene Farben, Größen, Materialien — und bittest einen Freund, der noch nie Knöpfe gesehen hat, sie in Gruppen zu sortieren. Ohne Anleitung zu Kategorien beginnt der Freund, ähnlich aussehende Knöpfe zusammenzulegen: große hölzerne hierhin, kleine glänzende metallene dorthin. k-Means macht exakt das im mathematischen Raum — es misst Distanzen zwischen Feature-Vektoren, statt das Aussehen zu beurteilen.
Analogie:
Stell dir vor, du schüttest eine Schachtel mit 200 gemischten Knöpfen auf den Tisch — verschiedene Farben, Größen, Materialien — und bittest einen Freund, der noch nie Knöpfe gesehen hat, sie in Gruppen zu sortieren. Ohne Anleitung zu Kategorien beginnt der Freund, ähnlich aussehende Knöpfe zusammenzulegen: große hölzerne hierhin, kleine glänzende metallene dorthin. k-Means macht exakt das im mathematischen Raum — es misst Distanzen zwischen Feature-Vektoren, statt das Aussehen zu beurteilen.
Definition:
k-Means ist ein iterativer Algorithmus, der n Datenpunkte in k Gruppen partitioniert. In jedem Durchlauf wird jeder Punkt dem nächstgelegenen Clusterzentrum zugewiesen, dann werden die Zentren als Mittelwerte der zugewiesenen Punkte neu berechnet. Der Prozess wiederholt sich, bis Konvergenz erreicht ist — also bis sich die Zuweisungen nicht mehr ändern.
Der Vier-Schritte-Algorithmus
k-Means arbeitet in vier klar definierten, sich wiederholenden Schritten:
1
Wähle k zufällige Startpositionen als Clusterzentren (Zentroide)
2
Weise jeden Datenpunkt dem nächstgelegenen Zentroid zu
3
Berechne die Zentroide neu als Mittelwert aller zugewiesenen Punkte
4
Wiederhole Schritt 2 und 3, bis Konvergenz erreicht ist
Praxisbeispiel: Kundensegmentierung
Ein Onlinehändler analysiert 10.000 Kunden anhand von drei Merkmalen: Alter, Einkommen und Kaufhäufigkeit. Mit k=4 entdeckt k-Means vier Kundenprofile, die nie als Labels vorgegeben waren: sparsame Studenten, junge Familien mit hoher Kauffrequenz, gut verdienende Berufstätige und kaufkräftige Rentner. Diese Gruppen entstehen ausschließlich durch geometrische Nähe im dreidimensionalen Merkmalsraum — der Algorithmus hat keinerlei Vorwissen über Lebensphasen oder Kaufverhalten.
Das k-Problem: Wer entscheidet über die Anzahl?
Der größte Haken an k-Means: Die Maschine kann nicht eigenständig erkennen, wie viele natürliche Gruppen in den Daten existieren. Du als Entwickler musst den Hyperparameter k vorab festlegen. Wählst du k zu niedrig, werden unterschiedliche Gruppen zusammengeworfen. Wählst du k zu hoch, werden natürliche Cluster künstlich aufgespalten. Die Wahl von k ist eine menschliche Entscheidung, keine maschinelle Entdeckung.
Deep Dive: Die Elbow-Methode zur k-Wahl
Ein bewährter Ansatz zur Wahl von k ist die Elbow-Methode. Du berechnest die Summe der quadrierten Abstände jedes Punktes zu seinem Clusterzentrum (Within-Cluster Sum of Squares, WCSS) für verschiedene k-Werte — etwa von k=1 bis k=10. Trägst du WCSS gegen k auf, entsteht typischerweise eine Kurve, die zunächst steil abfällt und dann abflacht. Der Knickpunkt — der "Ellbogen" — markiert den Punkt, ab dem zusätzliche Cluster nur noch marginale Verbesserung bringen. Stell dir vor: Bei k=3 fällt die Kurve stark, bei k=4 nur noch leicht, bei k=5 kaum noch. Dann ist k=3 oder k=4 eine sinnvolle Wahl. Aber Vorsicht: Die Methode ist eine Heuristik, keine Garantie. Manchmal gibt es keinen klaren Knick, und du musst Domänenwissen einsetzen.
Häufige Fehlvorstellung
Mythos: k-Means findet immer die korrekten Cluster.
Fakt: Das Ergebnis hängt stark von der Wahl von k und der zufälligen Initialisierung der Zentroide ab. Verschiedene Startpositionen können völlig unterschiedliche Clusterzuweisungen produzieren. Die Elbow-Methode hilft bei der k-Wahl, ist aber eine Heuristik — keine Garantie.
Interaktiv: Wie sicher ist die Clusterzugehörigkeit?
Beim Soft Clustering wird jeder Datenpunkt nicht starr einem Cluster zugeordnet, sondern erhält eine Wahrscheinlichkeit für jedes Cluster. Bewege den Temperatur-Regler: Bei niedriger Temperatur wird der Punkt fast sicher dem nächsten Cluster zugewiesen. Bei hoher Temperatur werden alle Cluster gleich wahrscheinlich — die Zuordnung wird unsicherer.
Ein LLM hat den Anfang "Das Wetter heute ___" generiert und berechnet Wahrscheinlichkeiten für das nächste Wort. Das natürlichste nächste Wort ist "ist" — aber die Temperatur bestimmt, ob das Modell immer die sichere Wahl trifft oder auch ungewöhnlichere Fortsetzungen wagt.
0.1 (fokussiert)2.0 (kreativ)
Standard (T≈1.0): Die originalen Logit-Wahrscheinlichkeiten werden verwendet. Balance zwischen Präzision und Vielfalt.
Wahrscheinlichkeitsverteilung (bei T=1.0)
Cluster A
75.8%
Cluster B
16.9%
Cluster C
5.1%
Outlier
1.4%
Noise
0.8%
Ergebnisse (0 Samples)
Noch keine Samples — klicke "Token würfeln"
Starte das Experiment
Klicke "Token würfeln" um zu sehen, wie das LLM bei der aktuellen Temperatur sampelt. Beobachte, wie sich die Verteilung der Ergebnisse mit mehr Samples der theoretischen Wahrscheinlichkeit annähert.
Dimensionsreduktion mit PCA
Principal Component Analysis (PCA)
AnalogieDefinition
Stell dir vor, du fotografierst eine Skulptur aus vielen Winkeln. Die meisten Fotos von benachbarten Positionen sehen fast identisch aus — sie tragen redundante Information. PCA findet die wenigen "besten Blickwinkel", die die größte visuelle Vielfalt der Skulptur einfangen, und verwirft den Rest. Du verlierst subtile Details (die Textur auf der Rückseite), aber die wesentliche Form bleibt in deutlich weniger Aufnahmen erhalten.
Analogie:
Stell dir vor, du fotografierst eine Skulptur aus vielen Winkeln. Die meisten Fotos von benachbarten Positionen sehen fast identisch aus — sie tragen redundante Information. PCA findet die wenigen "besten Blickwinkel", die die größte visuelle Vielfalt der Skulptur einfangen, und verwirft den Rest. Du verlierst subtile Details (die Textur auf der Rückseite), aber die wesentliche Form bleibt in deutlich weniger Aufnahmen erhalten.
Definition:
Die Principal Component Analysis ist eine lineare Transformation, die hochdimensionale Daten auf eine kleinere Menge neuer Achsen (Hauptkomponenten) projiziert. Diese Achsen werden so gewählt, dass sie die maximale Varianz in den Daten erfassen. Die erste Hauptkomponente fängt die größte Streuung ein, die zweite steht orthogonal dazu und maximiert die verbleibende Varianz.
Verbindung zu Eigenvektoren
PCA knüpft direkt an dein Wissen über Eigenvektoren aus Pfad I.C an. Der Algorithmus berechnet die Eigenvektoren der Kovarianzmatrix des Datensatzes. Diese Eigenvektoren definieren die neuen Achsen im Raum — die Hauptkomponenten. Die zugehörigen Eigenwerte zeigen, wie viel Varianz jede Achse erfasst. Du behältst die Eigenvektoren mit den größten Eigenwerten und verwirfst den Rest.
784 → 50
Dimensionsreduktion MNIST: 784 Pixel-Features auf ~50 Hauptkomponenten komprimiert (93% Reduktion), bei erhaltener Ziffernunterscheidbarkeit
Praxisbeispiel: MNIST-Ziffern
Der MNIST-Datensatz enthält tausende handgeschriebene Ziffern mit jeweils 28×28 = 784 Pixeln. Viele Randpixel sind fast immer schwarz — sie tragen keinerlei relevante Information. PCA identifiziert, dass etwa 50 Hauptkomponenten über 95% der bedeutsamen Variation erfassen. Die Ziffern bleiben unterscheidbar, aber Speicherplatz und Rechenzeit für nachfolgende Klassifikatoren sinken um 93%.
Deep Dive: Eigenvektoren als Hauptkomponenten
Warum ist der Eigenvektor mit dem größten Eigenwert die erste Hauptkomponente? Weil die Eigenwerte der Kovarianzmatrix direkt die Varianz entlang der zugehörigen Eigenvektorrichtung messen. Der größte Eigenwert = die Richtung mit der größten Datenstreuung. Die zweite Hauptkomponente steht orthogonal (rechtwinklig) zur ersten — sie fängt die zweitgrößte Streuung ein, die von der ersten nicht erklärt wird. Geometrisch bedeutet "orthogonal": Die Achsen sind unabhängig voneinander, keine Information wird doppelt gezählt. Aus deinem Pfad I.C weißt du: Eigenvektoren einer symmetrischen Matrix stehen immer orthogonal zueinander — genau deshalb funktioniert PCA so elegant.
Häufige Fehlvorstellung
Mythos: PCA reduziert Dimensionen ohne Informationsverlust.
Fakt: PCA verwirft immer Varianz. Die weggelassenen Komponenten enthielten echte Daten — nur weniger als die behaltenen. Die Frage ist nie "Verlieren wir Information?" sondern "Wie viel Verlust ist für wie viel Effizienzgewinn akzeptabel?"
Anomalieerkennung
Anomalieerkennung
AnalogieDefinition
Stell dir einen Nachtwächter in einer Fabrik vor. Jede Nacht sieht er dieselben Muster: Lichter aus um 22 Uhr, Reinigungscrew um 23 Uhr, Stille bis 6 Uhr. Niemand hat ihm eine Liste "verdächtiger Ereignisse" gegeben. Über Wochen lernt der Wächter einfach, was normal aussieht. Als sich um 3 Uhr nachts eine Tür öffnet und Schritte Richtung Serverraum gehen — meldet er es sofort. Nicht weil er einen Einbrecher erkannt hat, sondern weil das Ereignis nicht zum gelernten Muster der Normalität passt.
Analogie:
Stell dir einen Nachtwächter in einer Fabrik vor. Jede Nacht sieht er dieselben Muster: Lichter aus um 22 Uhr, Reinigungscrew um 23 Uhr, Stille bis 6 Uhr. Niemand hat ihm eine Liste "verdächtiger Ereignisse" gegeben. Über Wochen lernt der Wächter einfach, was normal aussieht. Als sich um 3 Uhr nachts eine Tür öffnet und Schritte Richtung Serverraum gehen — meldet er es sofort. Nicht weil er einen Einbrecher erkannt hat, sondern weil das Ereignis nicht zum gelernten Muster der Normalität passt.
Definition:
Anomalieerkennung umfasst Techniken, die das statistische Profil "normaler" Daten lernen und dann Beobachtungen identifizieren, die signifikant von diesem Profil abweichen — ohne je Beispiele für Anomalien gesehen zu haben. Der Ansatz ist fundamental anders als Klassifikation: Statt "Was ist das?" fragt das System "Passt das zum Gelernten?"
Zwei Ansätze im Vergleich
Distanzbasiert
Misst, wie weit ein Punkt von bekannten Clustern entfernt ist. Stärke: Funktioniert gut bei kugelförmigen Clustern. Schwäche: Probleme bei ungleichmäßig verteilten Daten.
Dichtebasiert
Misst, wie dünn besiedelt die Nachbarschaft eines Punktes ist. Stärke: Erkennt Anomalien auch in Daten mit unregelmäßiger Form. Schwäche: Empfindlich gegenüber der Wahl des Nachbarschaftsradius.
99,9%
Klassenverteilung Bei Kreditkartenbetrug sind 99,9% aller Transaktionen legitim — die Nadel-im-Heuhaufen-Herausforderung
Praxisbeispiel: Kreditkartenbetrug
Ein Kreditkartenunternehmen überwacht Transaktionen. 99,9% sind legitim. Das Modell lernt das Kaufprofil jedes Kunden: deutsche Geschäfte, 10–200 EUR Bereich, Einkäufe tagsüber. Dann kommen drei schnelle 5.000 EUR-Transaktionen aus einem fremden Land. Diese Punkte liegen geometrisch weit vom gelernten Profil entfernt und werden automatisch markiert — nicht weil das System "Betrug" kennt, sondern weil die Transaktionen nicht zum normalen Muster passen.
Häufige Fehlvorstellung
Mythos: Unsupervised Learning ist einfacher, weil man keine Labels braucht.
Fakt: Das Fehlen von Labels macht die Evaluation extrem schwierig. Beim Supervised Learning gibt es Ground Truth, um Genauigkeit zu messen. Bei der Anomalieerkennung kannst du oft nicht sagen, ob ein markierter Punkt eine echte Anomalie oder ein Fehlalarm ist — ohne menschliche Nachprüfung.
Memory: Welche Technik gehört zu welcher Anwendung?
Teste dein Wissen über Unsupervised-Learning-Techniken. Finde die zusammengehörigen Paare: Jede Technik hat eine typische Anwendung. Wie schnell findest du alle sechs Paare?
0/ 6 Paare
0Versuche
0:00Zeit
Das Wichtigste in Kürze
k-Means gruppiert Daten in k Cluster — aber k selbst ist eine menschliche Entscheidung, keine maschinelle Entdeckung.
PCA komprimiert Daten, indem es die Achsen mit der größten Varianz behält — und bewusst etwas Information für massive Effizienzgewinne opfert.
Anomalieerkennung lernt, wie "normal" aussieht, und markiert alles, was abweicht — ein Paradigma, das Betrugserkennung, Qualitätskontrolle und Cybersecurity antreibt.
Wissens-Check: Unsupervised Learning
Frage 1 / 6
Was muss ein Entwickler vor dem Ausführen von k-Means festlegen, das der Algorithmus nicht selbst bestimmen kann?
1. Was muss ein Entwickler vor dem Ausführen von k-Means festlegen, das der Algorithmus nicht selbst bestimmen kann?
☐ A) Die zu verwendenden Feature-Namen
☐ B) Die Anzahl der Cluster k
☐ C) Die Distanzmetrik
☐ D) Die Konvergenzschwelle
2. Du führst k-Means mit k=5 auf einem Kundendatensatz aus, aber die Elbow-Methode zeigt einen klaren Knick bei k=3. Was ist der sinnvollste nächste Schritt?
☐ A) k=5 beibehalten, weil mehr Cluster mehr Detail bedeuten
☐ B) Mit k=3 erneut ausführen und die Clusterqualität vergleichen
☐ C) k=1 verwenden, um Overfitting zu vermeiden
☐ D) Stattdessen zu Supervised Learning wechseln
3. Ein Datensatz hat 200 Features. Nach PCA behältst du 15 Hauptkomponenten, die 92% der Gesamtvarianz erklären. Ein Kollege sagt: "Wir haben nur 8% unserer Daten verloren." Warum ist diese Aussage irreführend?
☐ A) PCA erzeugt neue Daten, also geht nichts verloren
☐ B) 8% Varianz ist nicht gleich 8% Datenpunkte — einzelne Beobachtungen können wichtige individuelle Features verloren haben
☐ C) PCA verliert immer genau 50% der Information
☐ D) Der Kollege hat Features mit Samples verwechselt
4. Ein Anomalieerkennungssystem überwacht Netzwerkverkehr und markiert 1.000 Ereignisse pro Tag. Nach Prüfung sind 990 Fehlalarme und 10 echte Eindringlinge. Ohne das System würden alle 10 Eindringlinge unentdeckt bleiben. Ist das System nützlich?
☐ A) Nein — 99% Fehlalarmrate bedeutet, das System ist kaputt
☐ B) Ja — es fängt alle Eindringlinge, und die Kosten der 990 Fehlalarme sind es wert
☐ C) Nein — 1% Precision bedeutet, das Modell hat nichts gelernt
☐ D) Das hängt davon ab, ob die Kosten der Fehlalarm-Prüfung die Kosten unentdeckter Eindringlinge übersteigen
5. Du wendest PCA auf den MNIST-Datensatz an (784 Features pro Bild) und reduzierst auf 50 Komponenten. Anschließend trainierst du einen Klassifikator auf den reduzierten Daten. Welcher der folgenden Vorteile ergibt sich direkt aus dem PCA-Schritt?
☐ A) Der Klassifikator erreicht höhere Genauigkeit, weil PCA Rauschen entfernt
☐ B) Die Trainingszeit sinkt, weil das Modell weniger Features pro Bild verarbeitet
☐ C) Der Klassifikator kann jetzt neue Ziffernstile erkennen, die er nie gesehen hat
☐ D) PCA garantiert, dass keine relevante Pixel-Information verworfen wurde
6. Ein Kreditkartenunternehmen nutzt Anomalieerkennung. Ein neuer Kunde tätigt am ersten Tag einen einzelnen großen Einkauf. Das System markiert ihn als Anomalie. Warum könnte das ein Fehlalarm sein?
☐ A) Das System kann Transaktionen unter 24 Stunden nicht verarbeiten
☐ B) Das System hat noch kein ausreichendes "Normal"-Profil für diesen Kunden aufgebaut, daher weicht jede Transaktion von der nahezu leeren Basislinie ab
☐ C) Anomalieerkennung funktioniert nur mit mindestens 1.000 vorherigen Transaktionen
☐ D) Große Einkäufe werden unabhängig vom Modell immer markiert
Auflösung: 1) B · 2) B · 3) B · 4) D · 5) B · 6) B
Checkpoint: Unsupervised Learning
Warum kann der k-Means-Algorithmus nicht einfach selbst entscheiden, wie viele Gruppen in den Daten existieren?
Wenn PCA aus 784 Pixeln 50 Hauptkomponenten macht — was genau geht dabei verloren und warum lohnt es sich trotzdem?
Was ist der Unterschied zwischen distanzbasierter und dichtebasierter Anomalieerkennung — und wann eignet sich welche?