Unterschiede

Hier werden die Unterschiede zwischen zwei Versionen angezeigt.

--- de:modul:m245:learningunits:lu02:aufgaben:02 [2026/04/08 07:23] – [Lösung] vdemir
+++ de:modul:m245:learningunits:lu02:aufgaben:02 [2026/04/08 15:32] (aktuell) – [Auftrag A – ML-Pipeline bauen] vdemir
@@ Zeile 6: / Zeile 6: @@
 ===== Rahmenbedingungen =====
   * 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.
@@ Zeile 13: / Zeile 14: @@
   * age (Alter)
-  * past_purchases (Anzahl bisheriger Einkaeufe)
+  * past_purchases (Anzahl bisheriger Einkäufe)
   * minutes_on_page (Verweildauer)
   * buy (Zielvariable: 0/1)
-Die nachfolgende CSV-Datei mit 30 Muster-Datensätzen steht Ihnen zur Verfügung: {{ ::m245_lu02_a02_input.csv |}}
+Die nachfolgende CSV-Datei mit 30 Muster-Datensätzen steht Ihnen zur Verfügung: {{::m245_lu02_a02_input.csv|}}
@@ Zeile 23: / Zeile 24: @@
 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 B - Bewertung =====
 Geben Sie die nachfolgende Kennzahlen aus:
-  * Accuracy
+  - Accuracy
-  * Confusion Matrix
+  - Confusion Matrix
-  * Classification Report (Precision/Recall/F1)
+  - Classification Report (Precision/Recall/F1)
 ===== Lösung =====