Maschinelles Lernen Modelle sind algorithmische Strukturen, die aus Daten komplexe Zusammenhänge lernen und Vorhersagen treffen. In den Materialwissenschaften werden sie zur Eigenschaftsvorhersage, Phasenidentifikation, Gefügerekonstruktion und Prozessoptimierung eingesetzt. Modelle reichen von linearen Regressoren über Random Forests und Gaussian Processes bis zu tiefen neuronalen Netzen und erfordern hochwertige Datensätze, Feature-Engineering oder Repräsentationslernen und Unsicherheitsquantifizierung.