Modul 4: Überwachtes Lernen
Jetzt lernen die Maschinen. In diesem Modul lernen Sie die Standardverfahren des überwachten Lernens kennen – von der geraden Linie (lineare Regression) über Entscheidungsbäume und ganze Wälder davon bis zu Support Vector Machines. Für jedes Verfahren erfahren Sie: Wie funktioniert es, wie rechnet man ein Beispiel von Hand, wo sind Stärken und Schwächen, und wann wählt man es in der Praxis?
Einleitung und häufige Fragen jedes Kapitels sind frei lesbar. Den vollständigen Inhalt mit Übungen und Quiz schalten Sie einmalig für 29 € frei.
FreischaltenA · Lineare Modelle
- Lektion 1: Der AblaufZiel festlegen, Daten vorbereiten, Baseline messen, trainieren, validieren, einmal testen. Ohne Baseline kein Urteil über ein Modell.
- Lektion 2: Lineare RegressionLineare Regression = gewichtete Summe der Merkmale plus Achsenabschnitt; gelernt durch kleinste Fehlerquadrate. Jedes Gewicht heißt: so viel ändert sich ŷ pro Einheit, alles andere gleich.
- Lektion 3: Logistische RegressionLogistische Regression: gewichtete Summe → Sigmoid → Wahrscheinlichkeit → Schwelle → Klasse. Klassifikation, kein Regressionsverfahren.
B · Bäume
- Lektion 4: EntscheidungsbaumEin Baum wählt die Frage, die die Gruppen am reinsten macht (Gini oder Entropie). Erklärbar, aber ohne Tiefenbegrenzung stark überangepasst.
- Lektion 5: Random ForestRandom Forest = viele Bäume auf Zufallsstichproben mit Zufallsmerkmalen, Mehrheitsentscheid. Bagging senkt die Varianz.
- Lektion 6: BoostingBagging: parallel, unabhängig, senkt Varianz. Boosting: nacheinander, korrigiert Fehler, senkt Bias. Stacking: ein Meta-Modell kombiniert verschiedene Modelle.
C · Weitere Verfahren
- Lektion 7: k-Nächste-NachbarnkNN: k nächste Nachbarn suchen, Mehrheit nehmen. Kein Training, Skalierung Pflicht, k per Validierung wählen.
- Lektion 8: Support Vector MachineSVM sucht die Trennlinie mit dem größten Abstand. Nur die Support-Vektoren zählen. Der Kernel-Trick macht nicht lineare Grenzen möglich.
- Lektion 9: Naive BayesNaive Bayes multipliziert die Grundrate mit den Wahrscheinlichkeiten jedes Merkmals je Klasse. Schnell, gut für Text, aber „naiv“ unabhängig.
D · Praxis
- Lektion 10: Parameter und HyperparameterParameter lernt das Modell, Hyperparameter wählt der Mensch – per Validierung, nie per Testdaten.
- Lektion 11: Das richtige Verfahren wählenKein Verfahren ist immer das beste. Erklärbarkeit → linear oder flacher Baum; Tabellen → Boosting/Forest; Bilder und Sprache → neuronale Netze; immer gegen eine Baseline vergleichen.
- Lektion 12: Erklärbarkeit und LeistungJe leistungsstärker das Modell, desto schwerer meist die Erklärung. Die Abwägung hängt von rechtlichen Vorgaben und dem Schaden falscher Entscheidungen ab.
- Lektion 13: scikit-learn in der Praxisscikit-learn: fit lernt, predict sagt vorher, predict_proba liefert Wahrscheinlichkeiten. Immer eine Baseline mitlaufen lassen.
- Lektion 14: Prognosen über die ZeitZeitreihen: Trend + Saison + Zufall. Lag-Merkmale bauen, zeitlich aufteilen, gegen „wie letzte Woche“ vergleichen.
- Lektion 15: Fallstudie KreditprüfungEin gutes KI-Projekt begründet jede Entscheidung: welches Ziel, welche Daten, welches Modell, welche Schwelle – und warum.
Abschluss
- ÜbungenTragen Sie Ihre Antworten in die Felder ein. Zahlen und Auswahl prüft die Seite selbst, Freitext bewertet auf Knopfdruck die KI wie ein IHK-Prüfer. Öffnen Sie die Musterlösung erst danach.
- Abschlussquiz20 Fragen, jeweils eine richtige Antwort. Ab 14 richtigen Antworten sind Sie gut vorbereitet.
- ZusammenfassungVerfahren Idee Aufgabe Stärke Schwäche Lineare Regression gewichtete Summe, kleinste Quadrate Regression erklärbar nur lineare Zusammenhänge Logistische Regression Summe → Sigmoid → Wahrscheinlichkeit Klassifikation erklärbar, Wahrscheinlichkeiten lineare Grenze Entscheidungsbaum Fragen nach Gini/Entropie beides Regeln vorlesbar Overfitting, instabil Random Forest viele Zufallsbäume, Mehrheit beid