Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Machine Learning · der Oberbegriff

Begriff geprägt 1959 von Arthur Samuel (IBM): Programme, die ihre Performance aus Erfahrung verbessern, ohne explizit dafür programmiert zu sein. Klassische Verfahren: lineare Regression, Entscheidungsbäume, Support Vector Machines, Random Forest, Gradient Boosting (XGBoost, LightGBM), K-Means-Clustering.

Deep Learning · eine ML-Familie

Künstliche neuronale Netze mit vielen versteckten Schichten („deep"). Durchbruch 2012 mit AlexNet auf ImageNet. Heute Standard für: Bild- und Spracherkennung, Sprachmodelle (LLMs wie GPT, Claude), Generative Modelle für Bilder (Stable Diffusion, Midjourney).

Wann nimmt man was?

Tabellarische Daten (Kreditscoring, Ausfallprognose, Kundensegmentierung): klassisches ML, meist Gradient Boosting. Schneller zu trainieren, leichter zu erklären, weniger Daten nötig. Unstrukturierte Daten (Texte, Bilder, Audio, Sensorströme): Deep Learning ist überlegen. Kompromiss: bei wenig Daten Transfer Learning auf vortrainierten Modellen.

Konkrete Beispiele aus dem Mittelstand

Bonität-Scoring bei Geschäftskunden: klassisches ML, kleines Modell, erklärbare Faktoren. Predictive Maintenance auf Maschinendaten: kann klassisch sein (XGBoost) oder Deep Learning (LSTMs), abhängig von Datenmenge. Dokumenten-Klassifikation: Deep Learning mit BERT-Familie. Kundenservice-Chatbot: LLM (Deep Learning) mit RAG.

Kosten- und Aufwands-Unterschied

Klassisches ML läuft oft auf einem Laptop, Modell-Training in Minuten. Deep Learning braucht GPUs, große Datenmengen, längere Trainings. Für die meisten Mittelstand-Use-Cases (Predictive Maintenance, Forecasting, Klassifikation auf strukturierten Daten) reicht klassisches ML.