de:modul:m245:learningunits:lu02:aufgaben:02

Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

Link zu dieser Vergleichsansicht

Beide Seiten der vorigen Revision Vorhergehende Überarbeitung
Nächste Überarbeitung		 Vorhergehende Überarbeitung
de:modul:m245:learningunits:lu02:aufgaben:02 [2026/01/05 13:15] – [Auftrag A – Datensatz erstellen - 10'] vdemirde:modul:m245:learningunits:lu02:aufgaben:02 [2026/04/08 15:32] (aktuell) – [Auftrag A – ML-Pipeline bauen] vdemir
Zeile 1: Zeile 1:
-====== LU02.A02 - Fallstudie Machine Learning ======+====== LU02.A02 - ML Programmierung ======
  
 ===== Lernziele ===== ===== Lernziele =====
Zeile 6: Zeile 6:
 ===== Rahmenbedingungen ===== ===== Rahmenbedingungen =====
   * Sozialform: Partnerarbeit   * Sozialform: Partnerarbeit
-  * Zeitbudget: 40 Minuten+  * Zeitbudget: 60 Minuten 
 +  * Hilfsmittel: OpenBooks inkl. AI-Unterstützung
   * Erwartetes Ergebnis: Python Script, dass auf Input-Daten Kaufentscheidungen des Kunden //vorhersagen// kann.    * Erwartetes Ergebnis: Python Script, dass auf Input-Daten Kaufentscheidungen des Kunden //vorhersagen// kann. 
  
Zeile 12: Zeile 13:
 Ein Online-Shop möchte vorhersagen, ob ein Kunde ein Produkt kaufen wird oder nicht. Gegeben seien die nachfolgenden Attribute: 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 Einkäufe) 
- * 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|}}
  
-**2.** Verwende sie die nachfolgenden plausible Wertebereiche Wertebereiche: 
  
-  * age: 16–70 +===== Auftrag A – ML-Pipeline bauen =====
-  * 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: Schreiben Sie ein Skript ml_basics_shop.py, das:
  
-  * die CSV einliest (pandas) +  - die CSV einliest (pandas) 
-  * Features (X) und Zielvariable (y) trennt +  - Features (X) und Zielvariable (y) trennt 
-  * Daten in Train/Test splittet (z. B. 80/20, random_state=42) +  - Daten in Train/Test splittet (z. B. 80/20, random_state=42) 
-  * eine Pipeline erstellt mit: +  - Die Daten durchgeht und basierend auf den Input das Output festlegt 
-    * Standardisierung (StandardScaler) +  - Vorhersagen für Testdaten berechnet
-    * Modell: Logistische Regression +
-  * das Modell trainiert +
-  * Vorhersagen fuer Testdaten berechnet+
  
-===== Teil C - Bewertung =====+===== Teil B - Bewertung =====
 Geben Sie die nachfolgende Kennzahlen aus: Geben Sie die nachfolgende Kennzahlen aus:
    
-  * Accuracy +  - Accuracy 
-  * Confusion Matrix +  - Confusion Matrix 
-  * Classification Report (Precision/Recall/F1) +  - Classification Report (Precision/Recall/F1)
- +
-===== Teil D - Zusatz ===== +
-Zusatz: Erklaere in 2–3 Saetzen, warum Accuracy allein manchmal irrefuehrend ist.+
  
 ===== Lösung ===== ===== Lösung =====
-[[de:modul:m245:learningunits:lu02:loesungen:l02|Lösung]]+[[de:modul:m245:learningunits:lu02:loesungen:l02|LU02.L02]]
  
 ---- ----
 [[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir [[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir
  • de/modul/m245/learningunits/lu02/aufgaben/02.1767615338.txt.gz
  • Zuletzt geändert: 2026/01/05 13:15
  • von vdemir