de:modul:m245:learningunits:lu03:theorie:03

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:lu03:theorie:03 [2026/04/30 13:19] – angelegt vdemirde:modul:m245:learningunits:lu03:theorie:03 [2026/09/14 15:32] (aktuell) – [Einleitung] vdemir
Zeile 2: Zeile 2:
  
 ===== Einleitung ===== ===== Einleitung =====
 +
 +{{:de:modul:m245:learningunits:lu03:theorie:dataset-card.jpg?400| Beginner Kaggle Data Science Project Walk-Through (Titanic)}}
 +
 +
 +
 Die Titanic-Challenge auf Kaggle ist der klassische Einstieg in die Welt der Data Science. Das Ziel ist es, basierend auf Passagierdaten vorherzusagen, ob eine Person das Unglück überlebt hat oder nicht. Die Titanic-Challenge auf Kaggle ist der klassische Einstieg in die Welt der Data Science. Das Ziel ist es, basierend auf Passagierdaten vorherzusagen, ob eine Person das Unglück überlebt hat oder nicht.
  
-<wrap hi>Wie so oft bei solchen neuen Herausforderungen: Wo fangen ich am besten an?</wrap>+<WRAP center round box 60%> Wie so oft bei solchen neuen Herausforderungen: Wo fangen ich am besten an? </WRAP>
  
 Die Lösung dieser Competition ist weniger eine Frage des kompliziertesten Algorithmus, sondern vielmehr eine Frage der präzisen Datenaufbereitung. Folgen Sie dem nachfolgend beschriebenen strukturierten Vorgehen: Die Lösung dieser Competition ist weniger eine Frage des kompliziertesten Algorithmus, sondern vielmehr eine Frage der präzisen Datenaufbereitung. Folgen Sie dem nachfolgend beschriebenen strukturierten Vorgehen:
Zeile 10: Zeile 15:
 ===== Leitfaden ===== ===== Leitfaden =====
  
-==== 1. Explorative Datenanalyse (EDA)==== +==== 1. Explorative Datenanalyse (EDA) ==== 
 Bevor Sie mit der Modellierung beginnen, sollten Sie die zugrunde liegenden Muster verstehen. Bevor Sie mit der Modellierung beginnen, sollten Sie die zugrunde liegenden Muster verstehen.
   * **Hypothesenbildung:** Untersuchen Sie den Einfluss von Merkmalen wie Geschlecht (Sex), Passagierklasse (Pclass) und Alter (Age) auf die Überlebensrate.   * **Hypothesenbildung:** Untersuchen Sie den Einfluss von Merkmalen wie Geschlecht (Sex), Passagierklasse (Pclass) und Alter (Age) auf die Überlebensrate.
Zeile 44: Zeile 49:
  
 Mit diesem methodischen Vorgehen werden Sie eine Platzierung im oberen Drittel des Leaderboards erreichen, ohne auf externe Datenquellen zurückgreifen zu müssen. Mit diesem methodischen Vorgehen werden Sie eine Platzierung im oberen Drittel des Leaderboards erreichen, ohne auf externe Datenquellen zurückgreifen zu müssen.
- 
  
 ===== Zusammenfassung des Vorgehens ===== ===== Zusammenfassung des Vorgehens =====
Zeile 53: Zeile 57:
 ^Training |Random Forest / XGBoost |Mustererkennung und Klassifizierung | ^Training |Random Forest / XGBoost |Mustererkennung und Klassifizierung |
 ^Optimierung |Hyperparameter-Tuning |Maximierung der Genauigkeit | ^Optimierung |Hyperparameter-Tuning |Maximierung der Genauigkeit |
 +
 +===== Lernvideos aus Youtube =====
 +
 +==== Beginner Kaggle Data Science Project Walk-Through (Titanic) - 38 Min. ====
 +
 +[[https://www.youtube.com/watch?v=I3FBJdiExcg| Youtube: Beginner Kaggle Data Science Project Walk-Through (Titanic)]]
 +
 +
 +
 +==== Beginner Data Science Portfolio Project Walkthrough (Kaggle Titanic) - 2 Stunden 20 Min. ====
 +
 +[[ https://www.youtube.com/watch?v=6IGx7ZZdS747|Youtube: Beginner Data Science Portfolio Project Walkthrough (Kaggle Titanic) ]]
  
 [[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/lu03/theorie/03.1777547999.txt.gz
  • Zuletzt geändert: 2026/04/30 13:19
  • von vdemir