optimiert werden. Anhand der Ausgleichsgerade lassen sich für Eingangswerte 
genäherte Ausgangswerte ablesen. 
Ein einfaches Beispiel für eine Clustering-Methode ist die Methode k-means (Burkov, 
2019; Sarker, 2021). Mit dieser Methode wird eine Anzahl von k Clustern, also 
Datenpunkt-Gruppen, gebildet. Jede Gruppe besitzt einen geometrischen 
Schwerpunkt. Ein neuer Datenpunkt wird einer Gruppe zugeordnet, indem über ein 
Abstandsmaß berechnet wird, welchem geometrischen Schwerpunkt aus welcher 
Sruppe er am nächsten ist. 
Bei DBSCAN handelt es sich um eine Clustering-Methode, die bei Schiffsverkehrsdaten 
zum Einsatz kommt (Riveiro et al., 2018). Im Vergleich zu k-means wird bei DBSCAN 
aicht die Anzahl der zu erzeugenden Clustern im Vorfeld festgelegt. Stattdessen wird 
definiert, wie nah Datenpunkte benachbart sein müssen und wie viele hinreichend nah 
Jenachbarte Datenpunkte notwendig sind, um sie als eigenständiges Cluster zu 
definieren (Burkov, 2019). Aus dieser Vorgehensweise ergibt sich, dass nicht alle 
Jatenpunkte einem Cluster zugehörig sein können oder müssen. 
Bei Methoden des Reinforcement Learning (RL) werden Aktionen, z.B. Entscheidungen, 
sequentiell von einem Agenten umgesetzt (Sarker, 2021). Jede Aktion bringt eine 
3elohnung oder Bestrafung mit sich, worauf basierend der Zustand der 
Jmgebungswahrnehmung des Agenten sich anpasst. Idealerweise passt sich der Agent 
angfristig der Umgebung so an, dass optimale Entscheidungen getroffen werden. Bei 
Reinforcement Learning wird zwischen modellbasierten und modellfreien Ansätzen 
ınterscheiden. Bei einem modellbasierten Ansatz versucht der Agent ein Modell von 
seiner Umwelt aufzubauen indem es seine Entscheidung und die damit verbundene 
3elohnung mit seiner Vorhersage abzugleichen. Entscheidung trifft er damit unter 
3erücksichtigung seiner Wahrnehmung (Vorhersage) der Umwelt. Ein Agent in einem 
nodellfreien Ansatz trifft eine Entscheidung basierend allein auf seiner Erfahrung, ohne 
eine Vorhersage a priori durchzuführen. 
Machine Learning 
Diskrete 
Ausgabewerte 
Lernen mit Pa — Lernen \ 
Zielwerten _. ohne Zielwerte 
- Lernen durch Belohnung 
oder Bestrafung 
Supervised 
Machine Learning 
Unsupervised 
Machine Learning 
Reinforcement 
(Machine) Learning 
Kontinuierliche 
Ausgabewerte 
Modell- \ Modell- 
‘rei / „basiert 
/ 
Klassifikation 
ı Decision Tree 
» Support Vector 
Machine 
Regres: 
Lineare Regression 
Support Vector 
Machine 
“lustering 
k-means 
DBSCAN 
Abbildung 4: Beispielhafte Machine-Learning-Methoden sortiert nach Lernansatz und Aufgabentyp. 
 eraunhofer Ch 
‚JerifAl 
Bundesamt für Seeschifffahrt und Hydrographie