Klassisches maschinelles Lernen bezieht sich auf eine Sammlung von Algorithmen und Techniken, die es Computern ermöglichen, aus Daten zu lernen, ohne explizit programmiert zu sein. Es konzentriert sich auf die Entwicklung statistischer Modelle, die Muster in Daten erkennen und Vorhersagen treffen können. Diese Algorithmen werden häufig für Aufgaben wie Klassifizierung, Regression und Clustering verwendet. Der Bereich bildet die Grundlage für modernere KI-Methoden und wird in einer Vielzahl von Branchen eingesetzt, von der Finanzanalyse bis zur medizinischen Diagnose.
Der Hauptunterschied zwischen überwachtem (supervised) und unüberwachtem (unsupervised) Lernen liegt in der Art der verwendeten Daten. Überwachtes Lernen verwendet gelabelte Datensätze, bei denen der Algorithmus lernt, Eingaben auf bekannte Ausgaben abzubilden. Dies ist ideal für Aufgaben, bei denen man Vorhersagen auf der Grundlage historischer Beispiele treffen möchte. Unüberwachtes Lernen hingegen arbeitet mit ungelabelten Daten und sucht nach verborgenen Strukturen oder Mustern innerhalb des Datensatzes, ohne dass Zielvorgaben vorliegen. Dies ist besonders nützlich für die Entdeckung von Segmentierungen oder Gruppen in Daten.