Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- de:modul:m245:learningunits:lu01:04 [2026/04/29 12:55] – vdemir
+++ de:modul:m245:learningunits:lu01:04 [2026/04/29 13:49] (aktuell) – vdemir
@@ Zeile 1: / Zeile 1: @@
-====== LU01d - LB2: Titanic Challange ======
+====== LU01d - LB2: Titanic Competition ======
 ===== Lernziele =====
   - Die Gewichtung der LB2 kennen.
-  - Machine Learning an der Kaggle-Challange "Titanic" anwenden-
+  - Machine Learning an der Kaggle-Competition "Titanic" anwenden.
 ===== Einleitung =====
-Nachdem wir in der LB1.1 und LB1.2 die Grundlagen mit Python und der Python-Bibliothek PANDAS (wichtigste Python-Bibliothek für die Datenanalyse und Datenmanipulation), können wir uns nun dem eigentlichen Thema widmen: Der Starter-Challange TITANIC.
+Nachdem wir in der LB1.1 und LB1.2 die Grundlagen mit Python und der Python-Bibliothek PANDAS (wichtigste Python-Bibliothek für die Datenanalyse und Datenmanipulation), können wir uns nun dem eigentlichen Thema widmen: Der Starter-Competition TITANIC.
-==== LB2 - Titanic Challange ====
+==== LB2 - Titanic Competition ====
-Bearbeiten Sie die Übung LU03.A03 - TITANIC Challange in der vorgegebenen Zeit und zeigen Sie abschliessend den Status zur Abnahme Ihrer Lehrperson bzw. laden das Ergebnis hoch.
+Bearbeiten Sie die Übung LU03.A03 - TITANIC Competition in der vorgegebenen Zeit und zeigen Sie abschliessend den Status zur Abnahme Ihrer Lehrperson bzw. laden das Ergebnis hoch.
 ===== Benotung =====
-^Note ^Score ^Bewertung ^Beschreibung ^
+^Note ^ Score ^Beschreibung ^
-^6.0 ^ >0.82 ^Exzellent |Herausragendes Feature Engineering. Du hast komplexe Muster (wie Familienstrukturen oder Deck-Informationen) erfolgreich genutzt.|
+^6.0 ^ >0.82 |Herausragendes Feature Engineering. Komplexe Muster wie Familienstrukturen oder Deck-Informationen erfolgreich genutzt.|
-^5.5 ^ 0.80-0.82 ^Sehr gut |Ein sehr starkes Modell. Du hast wahrscheinlich Ensembling oder fortgeschrittene Imputationstechniken verwendet.|
+^5.5 ^ 0.80-0.82 |Ein sehr starkes Modell. Es wurden Wahrscheinlich Ensembling oder fortgeschrittene Imputationstechniken verwendet.|
-^5.0 ^ 0.78-0.79 ^Gut |Solide Leistung. Die wichtigsten Features (Geschlecht, Alter, Klasse) wurden korrekt verarbeitet und ein Standard-Classifier (z.B. Random Forest) gut getuned.|
+^5.0 ^ 0.78-0.79 |Solide Leistung. Die wichtigsten Features (Geschlecht, Alter, Klasse) wurden korrekt verarbeitet und ein Standard-Classifier (z.B. Random Forest) gut getuned.|
-^4.5 ^ 0.76-0.77 ^Befriedigend |Ein guter Anfang. Das Modell schlägt den "Gender Only"-Baseline-Score (ca. 0.765) knapp.|
+^4.5 ^ 0.76-0.77 |Ein guter Anfang. Das Modell schlägt den "Gender Only"-Baseline-Score (ca. 0.765) knapp.|
-^4.0 ^ 0.75-0.76 ^Genügend |Du liegst im Bereich der "Gender-Baseline". Das bedeutet, dein Modell hat das Grundmuster (Frauen überleben eher) erkannt, aber noch keine tiefen Insights generiert.|
+^4.0 ^ 0.75-0.76 |Liegt im Bereich der "Gender-Baseline". Das bedeutet das Modell hat das Grundmuster (Frauen überleben eher) erkannt, aber noch keine tiefen Insights generiert.|
-^3.0 ^ 0.70-0.74 ^Ungenügend |Das Modell ist kaum besser als eine einfache Heuristik. Es gibt wahrscheinlich Probleme beim Data Cleaning oder Overfitting.|
+^3.0 ^ 0.70-0.74 |Das Modell ist kaum besser als eine einfache Heuristik. Es gibt wahrscheinlich Probleme beim Data Cleaning oder Overfitting.|
-^2.0 ^ 0.60-0.69 ^Schwach |Das Modell lernt nur sehr wenig aus den Daten. Wichtige Korrelationen wurden übersehen.|
+^2.0 ^ 0.60-0.69  |Das Modell lernt nur sehr wenig aus den Daten. Wichtige Korrelationen wurden übersehen.|
-^1.0 ^ <0.60 ^Fast Zufall |Ungenügend / Zufall: Ein Score in diesem Bereich deutet darauf hin, dass das Modell schlechter als ein einfacher Zufallstipp ist oder die Daten falsch aufbereitet wurden.|
+^1.0 ^ <0.60 | Ein Score in diesem Bereich deutet darauf hin, dass das Modell schlechter als ein einfacher Zufallstipp ist oder die Daten falsch aufbereitet wurden.|
 ===== Hinweis =====
-  * Es wird die reguläre Notenberechnungsformel verwendet.
-  * Die Kontrolle wird durch 2-3 Kontrollfragen abschlossen, die sicherstellen sollen, dass die Arbeit tatsächlich vom Lernenden durchgeführt und verstanden wurde.
-  * Fehlende Eigenleistung (Fragen können nicht oder nur ungenügend beantwortet werden) führt zur Note 1.0.
   * Laden Sie abschliessend Ihr Zertifikat hoch, welches Sie von der Kaggle-Seite herunterladen können (Linke vertikale Leiste | Learn |  Completed | View Zerfiticate)