Modul 5: Unüberwachtes Lernen und Reinforcement Learning

Nicht immer gibt es Labels. Oft hat man nur Daten und will wissen, welche Gruppen darin stecken, was ungewöhnlich ist oder wie man viele Merkmale vereinfacht. Und manchmal soll ein System selbst handeln und durch Ausprobieren lernen. In diesem Modul vertiefen Sie Clustering, Dimensionsreduktion, Anomalieerkennung und Warenkorbanalyse – und lernen, wie bestärkendes Lernen rechnet.

Einleitung und häufige Fragen jedes Kapitels sind frei lesbar. Den vollständigen Inhalt mit Übungen und Quiz schalten Sie einmalig für 29 € frei.

Freischalten
  1. EinführungLernen ohne Lösungsheft: Muster finden und durch Belohnung lernen Nicht immer gibt es Labels. Oft hat man nur Daten und will wissen, welche Gruppen darin stecken, was ungewöhnlich ist oder wie man viele Merkmale vereinfacht. Und manchmal soll ein System selbst handeln und durch Ausprobieren lernen. In diesem Modul vertiefen Sie Clustering, Dimensionsreduktion, Anomalieerkennung und Warenkorbanalys

A · Clustering

  1. Lektion 1: ÜberblickUnüberwacht = ohne Labels. Vier Aufgaben: Gruppen finden, vereinfachen, Auffälliges entdecken, Zusammenhänge im Warenkorb aufdecken.
  2. Lektion 2: k-Means im Detailk-Means: zuordnen, Zentren verschieben, wiederholen. Vorher skalieren, mehrere Starts, k gut wählen.
  3. Lektion 3: Die richtige Anzahl kEllbogen: k am Knick der SSE-Kurve. Silhouette: höchster Durchschnitt (−1 bis +1). Am Ende entscheidet der fachliche Nutzen.
  4. Lektion 4: DBSCANDBSCAN: Cluster sind dichte Bereiche; Parameter ε und minPts; findet beliebige Formen und erkennt Rauschen; k muss nicht vorgegeben werden.
  5. Lektion 5: Hierarchisches ClusteringHierarchisch: schrittweise die zwei ähnlichsten Gruppen zusammenfassen; Ergebnis ist ein Dendrogramm; der Schnitt bestimmt die Clusterzahl.
  6. Lektion 6: Cluster deuten und nutzenCluster werden erst durch Profil, Namen und Maßnahme wertvoll. Die Deutung ist Aufgabe von Fachleuten, nicht des Algorithmus.

B · Weitere Verfahren

  1. Lektion 7: PCAPCA dreht das Koordinatensystem in Richtung größter Streuung und behält nur die wichtigsten Achsen. Vorher standardisieren.
  2. Lektion 8: Visualisieren mit t-SNE und UMAPt-SNE und UMAP sind Werkzeuge zum Anschauen hochdimensionaler Daten. Nachbarschaft ja, Abstände und Größen im Bild nicht überinterpretieren.
  3. Lektion 9: AnomalieerkennungAnomalieerkennung lernt das Normale und meldet Abweichungen. Isolation Forest: wenige Schnitte bis zur Isolation = verdächtig.
  4. Lektion 10: WarenkorbanalyseSupport = wie häufig, Konfidenz = wie zuverlässig, Lift > 1 = echter Zusammenhang. Nutzung: Platzierung, Empfehlungen, Bundles.

C · Reinforcement Learning

  1. Lektion 11: Grundbegriffe des RLAgent handelt im Zustand s mit Aktion a, erhält Belohnung r. Ziel ist eine Policy, die den abgezinsten Gesamtertrag maximiert.
  2. Lektion 12: Q-LearningQ(s,a) = erwarteter Gesamtertrag einer Aktion in einem Zustand. Update: Wert in Richtung „Belohnung + γ · bester Folgewert“ verschieben, Schrittgröße α.
  3. Lektion 13: Ausprobieren oder AusnutzenExploration = Neues probieren, Exploitation = Bewährtes nutzen. ε-greedy wählt mit Wahrscheinlichkeit ε zufällig.
  4. Lektion 14: RL in der PraxisRL lohnt sich, wo ein System viele Entscheidungen nacheinander trifft und man gefahrlos üben kann – meist in der Simulation. Bekannteste Anwendung heute: RLHF bei Sprachmodellen.

Abschluss

  1. ÜbungenTragen Sie Ihre Antworten in die Felder ein. Zahlen und Auswahl prüft die Seite selbst, Freitext bewertet die KI wie ein IHK-Prüfer. Öffnen Sie die Musterlösung erst danach.
  2. Abschlussquiz20 Fragen, jeweils eine richtige Antwort. Ab 14 richtigen Antworten sind Sie gut vorbereitet.
  3. Zusammenfassungk-Means Zuordnen, Zentren verschieben, wiederholen. k vorgeben, skalieren. k wählen Ellbogen der SSE-Kurve, Silhouette (−1 bis 1), fachlicher Nutzen. DBSCAN Dichte statt Zentren; ε, minPts; beliebige Formen, Rauschen. Hierarchisch Dendrogramm; Schnitt bestimmt die Clusterzahl. PCA Richtung größter Streuung; kumulierte erklärte Varianz. Anomalien z-Wert, Isolation Forest, Autoencoder; Alarm braucht