LU02.L01 - Fallstudio Machine Learning [BZZ

Diese Seite ist nicht editierbar. Sie können den Quelltext sehen, jedoch nicht verändern. Kontaktieren Sie den Administrator, wenn Sie glauben, dass hier ein Fehler vorliegt.
====== LU02.L01 - Fallstudio Machine Learning ======


===== Auftrag A – Grundlagen (Theorie) =====

**1.** Supervised Learning VS Unsupervised Learning
  * **Supervised Learning:**Das Modell lernt mit gelabelten Daten, d. h. Eingabedaten und die richtige Antwort sind bekannt. Klassischer Frontalunterricht.
  * **Unsupervised Learning:** Das Modell bekommt keine Zielvariable und versucht selbst, Muster oder Strukturen zu finden. Gruppenarbeit ohne Aufgabenstellung.

**2.** Handelt es sich bei diesem Problem um (mit Begründung): Klassifikation oder Regression?
  * **Klassifikation**
  * Begruendung: Die Zielvariable Kaufentscheidung hat diskrete Werte (Ja / Nein). Zahlen vorhersagen waere Regression, hier geht es um Kategorien.

**3. ** Nenne Sie zwei typische Algorithmen, die für dieses Problem geeignet waeren, und begründen Sie jeweils in einem Satz.
  * **Logistische Regression:** Gut geeignet fuer binäre Klassifikationsprobleme und leicht interpretierbar (im Gegensatz zu manchem Buzzword-Modell).
  * **Decision Tree: ** Trifft Entscheidungen anhand klarer Regeln und ist auch fuer Menschen nachvollziehbar – ein seltenes Gut.

===== Auftrag B – Datenverstaendnis  =====
**4. **Welche der oben genannten Merkmale sind numerisch, welche kategorisch?

  * **Numerisch:**
    * Alter
    * Anzahl der bisherigen Einkaeufe
    * Verweildauer auf der Produktseite
  * **Kategorisch:**
    * Kaufentscheidung (Ja / Nein)

**5. **Warum ist es problematisch, die Zielvariable als Feature zu verwenden?
  * Weil das Modell sonst die Antwort bereits kennt.
  * Das nennt man Data Leakage und fuehrt zu beeindruckend guten Ergebnissen, die in der Realitaet genau gar nichts taugen.

===== Auftrag C – Praxisdenken =====

**6. **Beschreiben Sie in 4–5 Schritten den typischen Ablauf eines Machine-Learning-Projekts (von Daten bis Modellbewertung).
  - Problem definieren (was soll vorhergesagt werden?)
  - Daten sammeln und vorbereiten (bereinigen, skalieren, encoden)
  - Daten in Trainings- und Testdaten aufteilen
  - Modell trainieren
  - Modell evaluieren und verbessern
  - Optionaler Schritt 6: Erkennen, dass alles komplizierter ist als gedacht.

**7. **Nennen Sie zwei Risiken, die auftreten koennen, wenn:
  * zu wenige Trainingsdaten vorhanden sind
    * Modell lernt keine stabilen Muster
    * Schlechte Generalisierung auf neue Daten
  * das Modell zu gut auf die Trainingsdaten passt
    * Sehr gute Trainingsgenauigkeit
    * Katastrophale Leistung bei neuen Daten 

**8.** Was ist //Overfitting// – erklaert so, dass es auch jemand versteht, der glaubt, KI sei Bewusstsein.
  * Overfitting bedeutet, dass ein Modell die Trainingsdaten auswendig lernt, inklusive Zufall und Rauschen, anstatt allgemeine Muster zu erkennen.
  * Es ist wie jemand, der eine Matheaufgabe perfekt loest – solange sie exakt gleich aussieht wie im Heft.

----
[[https://creativecommons.org/licenses/by-nc-sa/4.0/|{{https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png}}]] Volkan Demir