Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- de:modul:m245:learningunits:lu02:aufgaben:02 [2026/01/05 13:13] – vdemir
+++ de:modul:m245:learningunits:lu02:aufgaben:02 [2026/01/05 13:33] (aktuell) – vdemir
@@ Zeile 1: / Zeile 1: @@
-====== LU02.A02 - Fallstudie Machine Learning ======
+====== LU02.A02 - ML Programmierung ======
 ===== Lernziele =====
@@ Zeile 12: / Zeile 12: @@
 Ein Online-Shop möchte vorhersagen, ob ein Kunde ein Produkt kaufen wird oder nicht. Gegeben seien die nachfolgenden Attribute:
- * age (Alter)
+  * age (Alter)
- * past_purchases (Anzahl bisheriger Einkaeufe)
+  * past_purchases (Anzahl bisheriger Einkaeufe)
- * minutes_on_page (Verweildauer)
+  * minutes_on_page (Verweildauer)
- * buy (Zielvariable: 0/1)
+  * buy (Zielvariable: 0/1)
-===== Auftrag A – Datensatz erstellen - 10'=====
+Die nachfolgende CSV-Datei mit 30 Muster-Datensätzen steht Ihnen zur Verfügung: {{ ::m245_lu02_a02_input.csv |}}
-**1.** Erstelle Sie in Python eine Datei shop_data.csv mit mindestens 30 Zeilen.
-**2.** cVerwende sie die nachfolgenden plausible Wertebereiche Wertebereiche:
+===== Auftrag A – ML-Pipeline bauen =====
-  * age: 16–70
-  * past_purchases: 0–30
-  * minutes_on_page: 0.1–20
-  * buy: 0 oder 1
-** 3. ** Bauen Sie eine einfache “Logik” ein, damit das Problem nicht reines Raten ist (z. B. hoeherer Kauf bei mehr Verweildauer + mehr bisherigen Einkaeufen).
-===== Auftrag B – ML-Pipeline bauen =====
 Schreiben Sie ein Skript ml_basics_shop.py, das:
@@ Zeile 43: / Zeile 32: @@
   * Vorhersagen fuer Testdaten berechnet
-===== Teil C - Bewertung =====
+===== Teil B - Bewertung =====
 Geben Sie die nachfolgende Kennzahlen aus:
   * Accuracy
   * Confusion Matrix
   * Classification Report (Precision/Recall/F1)
-===== Teil D - Zusatz =====
-Zusatz: Erklaere in 2–3 Saetzen, warum Accuracy allein manchmal irrefuehrend ist.
 ===== Lösung =====