Maschinelles Lernen (ML) ist eine Sammlung von mathematischen Methoden zur Mustererkennung. Diese Methoden erkennen Muster, zum Beispiel durch die bestmögliche Zerlegung von Datensätzen in hierarchische Strukturen, die auf die bestmögliche Entropie ausgerichtet sind. Oder es werden Ähnlichkeiten zwischen Datensätzen über Vektoren ermittelt und daraus trainiert oder untrainiert Muster abgeleitet. Algorithmen des maschinellen Lernens sind in der Tat in der Lage, viele alltägliche oder sogar sehr spezielle Probleme zu lösen. In der Praxis eines Entwicklers für maschinelles Lernen treten jedoch häufig Probleme auf, wenn entweder zu wenig Daten vorhanden sind oder die Daten zu viele Dimensionen haben. Entropiegesteuerte Lernalgorithmen wie Entscheidungsbäume werden zu komplex, wenn es viele Dimensionen und Vektoren gibt.
