Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- de:modul:m245:learningunits:lu01:05 [2026/01/06 11:46] – vdemir
+++ de:modul:m245:learningunits:lu01:05 [2026/05/27 11:25] (aktuell) – vdemir
@@ Zeile 1: / Zeile 1: @@
-====== LU01e - LB3: Offene Challenge - TBD ======
+====== LU01e - LB3.1: Offene Competition ======
 ===== Lernziele =====
-  - ???
+  - Die Elemente und Gewichtung der LB3 kennen.
+  - Offene Kaggle Competition durchführen und Pitchen können.
 ===== Einleitung =====
-????
+Die letzte Leistungsbeurteilung in diesem Modul besteht aus 2 Teilen. Einem Produkt-Teil und einem Präsentationspitch-Teil. D.h. Sie "entwickeln" ein Produkt und versuchen Geldgeber für Ihre Innovation zu überzeugen in Ihre Innovation zu investieren.
-==== Hinweis
-  * Es wird die reguläre Notenberechnungsformel verwendet.
-  * Die Kontrolle wird über eine aufgezeichnete TEAMS-Sitzung durchgeführt.
-  * Die Kontrollfragen dienen dazu sicherzustellen, dass die Aufgaben selbst bearbeitet und verstanden wurden.
-  * Die Kontrolle wird durch 2-3 Kontrollfragen abschlossen, die sicherstellen sollen, dass die Arbeit tatsächlich vom Lernenden durchgeführt wurde.
-  * Fehlende Eigenleistung (Fragen können nicht oder nur ungenügend beantwortet werden) führt zur Note 1.0.
+===== LB3.1 - Offene Kaggle Competition =====
+Wählen Sie ein offene Challenge aus der Liste Kaggle aus und erstellen ein Modell, mit dem Ziel ein möglichst gutes Modell für eine Vorhersage zu erstellen. Die Bewertung finden Sie unten (identisch zu Titanic Competition).
+===== Bewertung LB3.1  =====
+^ Note ^ Score best 1.0       ^ Score best 0.0 ^Beschreibung ^
+^ 6.0 | >0.82     | <0.1      |Herausragendes Feature Engineering. Komplexe Muster wie Familienstrukturen oder Deck-Informationen erfolgreich genutzt.|
+^ 5.5 | 0.80-0.82 | 0.1-0.15  |Ein sehr starkes Modell. Es wurden Wahrscheinlich Ensembling oder fortgeschrittene Imputationstechniken verwendet.|
+^ 5.0 | 0.78-0.79 | 0.16-0.22 |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 | 0.23-0.29 |Ein guter Anfang. Das Modell schlägt den "Gender Only"-Baseline-Score (ca. 0.765) knapp.|
+^ 4.0 | 0.75-0.76 | 0.30-0.35 |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 | 0.36-0.50 |Das Modell ist kaum besser als eine einfache Heuristik. Es gibt wahrscheinlich Probleme beim Data Cleaning oder Overfitting.|
+^ 2.0 | 0.60-0.69 | 0.51-0.70 |Das Modell lernt nur sehr wenig aus den Daten. Wichtige Korrelationen wurden übersehen.|
+^ 1.0 | <0.60     | >0.70     | Ein Score in diesem Bereich deutet darauf hin, dass das Modell schlechter als ein einfacher Zufallstipp ist oder die Daten falsch aufbereitet wurden.|