Dieses Kapitel befasst sich mit den grundlegenden Unterschieden zwischen überwachtem und unüberwachtem Lernen, zwei wichtigen Algorithmenfamilien im Bereich des maschinellen Lernens (ML). Die grundlegenden Methoden und Unterscheidungen zwischen diesen Paradigmen werden vorgestellt und im Hinblick auf Modelloptimierung und -bewertung beschrieben. Beim überwachten Lernen werden Klassifizierungs- und Regressionsprobleme vorgestellt. Bei Klassifizierungsproblemen wird versucht, aus bekannten Kategorien in den Daten zu lernen, während bei Regressionsproblemen eine kontinuierliche numerische Variable das Ergebnis der Vorhersage darstellt. Auf der anderen Seite wird das unüberwachte Lernen als ein anderes Paradigma vorgestellt, bei dem die Entdeckung und das Lernen aus Daten ohne vorherige Informationen oder bekannte Bezeichnungen erfolgt, sondern durch die Erkundung der verborgenen Strukturen des Datensatzes. Darüber hinaus werden in diesem Kapitel auch die verschiedenen Bewertungsherausforderungen und -techniken dokumentiert. Die Verwendung dieser verschiedenen Paradigmen hängt von den jeweiligen Geschäftsproblemen und den Datenanforderungen ab. Für eine nachhaltige und zuverlässige Integration von Machine Learning ist es jedoch entscheidend, einen breiten Überblick über die möglichen Methoden und deren Zusammenspiel zu haben.