Datenanalyse und KI

Übungsaufgaben zum KI-Einsatz im Unternehmen

Sechs Übungsaufgaben in drei Kompetenzstufen: Du suchst im Ablauf eines Barcamps sinnvolle Stellen für KI, wägst einen Chatbot ab und rechnest Kosten eines KI-Moduls für den Rechnungseingang eines Fahrradherstellers durch. Danach bewertest Du die Auswertung von Daten mit einer öffentlichen Chat-KI und eine kamerabasierte Qualitätskontrolle. Zum Schluss entwirfst Du den Workflow einer Rahmennummern-Erkennung und bewertest einen Klassifikator für Fake-Profile mit Konfusionsmatrix, Schwellenwert und Datenschutz.

KI im Unternehmen einsetzen: Einsatzfelder, Chancen, Risiken und Kosten

Wo lohnt sich künstliche Intelligenz in einem Unternehmen, und wo nicht? Der Artikel erklärt die Grundbegriffe (regelbasiert oder lernend, Training und Anwendung, generative KI, neuronale Netze), zeigt typische Einsatzfelder und wie Du in einem Ablauf sinnvolle Stellen für KI findest. Er ordnet Chancen und Risiken nach wirtschaftlichen und sozialen Aspekten, beschreibt, wie öffentliche Chat-KIs sicher genutzt werden, und rechnet Kosten und Einsparungen durch. Ein Vertiefungsteil zeigt, wie eine KI-gestützte Bilderkennung als Workflow aufgebaut, bewertet und datenschutzgerecht betrieben wird.

Übungsaufgaben zu neuronalen Netzen und Modellbewertung

Zwei Übungsaufgaben zu neuronalen Netzen und zur Bewertung von Modellen: Perzeptron beschriften, erläutern, rechnen und einen Lernschritt durchführen, ein mehrschichtiges Netz beschriften und einen Knoten berechnen, neuronale Netze und CNNs für die Bilderkennung begründen (mit englischem Fachtext); danach Konfusionsmatrix aufstellen, Kennzahlen zuordnen und berechnen, einen Random Forest auswerten, Modelle vergleichen und die passende Kennzahl begründen.

Neuronale Netze und Modellbewertung

Wie rechnet ein künstliches Neuron, und wie lernt ein Netz aus vielen davon? Der Artikel erklärt das Perzeptron mit Eingaben, Gewichten, Bias und Aktivierungsfunktion, die Lernregel, mehrschichtige Netze mit Eingabe-, verdeckten und Ausgabeschichten sowie das Training mit Backpropagation. Er zeigt, warum sich neuronale Netze und besonders Convolutional Neural Networks für Bilder eignen und wie ein Random Forest mehrere Entscheidungsbäume abstimmen lässt. Zum Schluss geht es darum, wie gut ein Modell ist: Konfusionsmatrix, Accuracy, Sensitivity und Precision und der Vergleich von Modellen.

Übungsaufgaben zum Klassifizieren mit Trenngeraden, kNN und Entscheidungsbäumen

Zwei Übungsaufgaben: Du sagst in einer Fahrradwerkstatt mit Trenngeraden voraus, welche E-Bike-Akkus bald ausfallen, zeichnest Daten und Geraden ein, rechnest mit der Geradengleichung und prüfst das Modell mit Testdaten. Danach wählst Du für die vorausschauende Wartung von Schweißanlagen zwischen kNN und Entscheidungsbaum, wertest Nachbarschaften für verschiedene k aus, bereitest Daten auf und berechnest euklidische Distanzen.

Klassifizieren mit Trenngeraden, k-nächsten Nachbarn und Entscheidungsbäumen

Wie ordnet ein Programm einen neuen Datensatz einer Klasse zu? Der Artikel stellt drei einfache Verfahren des überwachten Lernens vor: Trenngeraden (mit Geradengleichung, Klassifizieren durch Hinschauen und durch Rechnen, Auswahl einer guten Geraden und Test mit Testdaten), die k-nächsten Nachbarn (euklidische Distanz, Wahl von k, Aufbereitung der Daten) und Entscheidungsbäume nach ID3 (Entropie und Informationsgewinn). Zum Schluss vergleicht er die Verfahren und zeigt, wie Du eine Auswahl begründest.

Übungsaufgaben zu den Grundlagen des maschinellen Lernens

Zwei Übungsaufgaben: Du prüfst, ob sich in einer Freizeit-App vorhersagen lässt, wer zu einem Treffen nicht erscheint, ordnest dazu Begriffe, Lernarten und Daten ein und bereitest die Daten auf. Danach planst Du für einen Fahrrad-Onlineshop eine Rücksendeprognose nach CRISP-DM, teilst die Daten auf, erkennst Overfitting und Underfitting und beurteilst das Modell.

Grundlagen des maschinellen Lernens: Lernarten, Trainings- und Testdaten, CRISP-DM

Was unterscheidet künstliche Intelligenz, maschinelles Lernen und Deep Learning? Der Artikel erklärt, wie ein Modell aus Beispieldaten lernt (Merkmale und Zielwert), welche Lernarten es gibt (überwacht, unüberwacht, bestärkend) und welche Aufgaben sich damit lösen lassen (Klassifikation, Regression, Clustering). Er zeigt, wie Daten aufbereitet werden, warum man Trainings- und Testdaten trennt, woran man Overfitting erkennt und wie man ein Modell beurteilt. Zum Schluss geht es um den Ablauf eines Projekts zum maschinellen Lernen und das Vorgehensmodell CRISP-DM.

Übungsaufgaben zur linearen Regression

Zwei Übungsaufgaben zur linearen Regression: Du überträgst Messwerte in ein Streudiagramm, zeichnest Regressionsgeraden ein, liest Koeffizienten über ein Steigungsdreieck ab, vergleichst zwei Modelle und beurteilst eine Extrapolation. Außerdem wählst Du anhand eines englischen Textes ein Verfahren, berechnest die Koeffizienten aus einer Kalkulationstabelle, rechnest Prognosen in beide Richtungen und beurteilst die Modellgüte.

Prognosen mit linearer Regression

Mit einer linearen Regression beschreibst Du den Zusammenhang zwischen einer Einflussgröße und einer Zielgröße durch eine Gerade ŷ = β₀ + β₁·x und nutzt sie für Prognosen. Der Artikel zeigt, wann welches Regressionsverfahren passt, was Achsenabschnitt und Steigung im Sachzusammenhang bedeuten, wie Du die Koeffizienten mit der Methode der kleinsten Quadrate berechnest oder grafisch über ein Steigungsdreieck abliest, wie Du Prognosen in beide Richtungen rechnest und wie Du die Qualität eines Modells beurteilst und verbesserst.

Übungsaufgaben zur Datenauswertung: Diagramme, Mittelwerte und Streuung

Zwei Übungsaufgaben zur Datenauswertung: Du wertest die Bestellwege eines Fahrradhändlers aus, entwirfst dazu ein gruppiertes Säulendiagramm und leitest Erkenntnisse ab, berechnest Mittelwert, Median, Modus, Spannweite und Standardabweichung von Montagezeiten und ermittelst sie mit SQL. Danach analysierst Du Messwerte eines Serverraums, begründest eine zweite y-Achse und den Zusammenhang von Rechenlast und Stromverbrauch, berechnest die Auslastung von Laborräumen und interpretierst Mittelwert und Standardabweichung von Temperaturen.

Daten auswerten und visualisieren: Diagramme, Mittelwerte und Streuung

Aus Zahlen werden erst durch Auswertung und Darstellung Entscheidungen. Der Artikel zeigt, wie Du absolute und relative Häufigkeiten und Anteile aus mehreren Gruppen richtig berechnest, Mittelwert, Median und Modus bestimmst und die Streuung mit Spannweite, Varianz und Standardabweichung beschreibst. Du berechnest Auslastungen aus Nutzungsdaten, ermittelst die Kennzahlen mit SQL und Tabellenkalkulation, wählst das passende Diagramm samt Achsen, Legende und ggf. zweiter y-Achse und leitest aus Daten begründete Erkenntnisse ab, ohne in typische Fallen wie „Korrelation gleich Ursache“ zu tappen.

Übungsaufgaben zu Data Warehouse, ETL und Sternschema

Zwei Übungsaufgaben: Für einen Fahrrad-Onlineshop grenzt Du Data Warehouse, Data Mart und Data Lake ab, entwickelst aus einem Verkaufsexport ein Sternschema, legst die Faktentabelle mit SQL an, wertest sie aus und erläuterst anhand eines englischen Textes Surrogatschlüssel. Danach planst Du für die Veranstaltungen eines Berufskollegs die Zusammenführung von Check-in-, Sensor- und Anmeldedaten: zentrale oder dezentrale Speicherung, ETL-Schritte und Transformationen mit Datentypen, Datenschutz und ETL oder ELT.

Data Warehouse, ETL und Sternschema: Daten für Auswertungen aufbereiten

Warum laufen Auswertungen nicht direkt auf der Datenbank des Onlineshops? Der Artikel erklärt den Unterschied zwischen operativen und analytischen Systemen, grenzt Data Warehouse, Data Mart und Data Lake voneinander ab und wägt zentrale und dezentrale Datenhaltung ab. Er zeigt, was im ETL-Prozess mit den Daten passiert (mit typischen Transformationen und passenden Datentypen) und wie ein Sternschema aus Fakten- und Dimensionstabellen aufgebaut, mit SQL angelegt und abgefragt wird. Zum Schluss geht es um Surrogat- und Business-Schlüssel und das Schneeflockenschema.

Übungsaufgaben zu Datenqualität und Datenimport

Vier umfangreiche Übungsaufgaben: Du migrierst Kontakte früherer Barcamps, importierst die Mitfahrbörse einer Schülervertretung, übernimmst Händlerdaten in ein neues Händlerportal und prüfst Schweißdaten eines Fertigungspartners. Dabei beschreibst Du Qualitätsmängel und ihre Folgen, ordnest Kriterien zu, erläuterst Migrationswege, wertest Importprotokolle aus, korrigierst einen Primärschlüssel, prüfst Daten mit SQL, formulierst Plausibilitätsregeln, teilst Rohdaten in Klassen ein und schreibst eine Einschätzung per E-Mail.

Datenqualität und Datenimport: Altdaten prüfen, bereinigen und übernehmen

Wenn ein neues System eingeführt wird, sollen fast immer alte Daten mit. Der Artikel erklärt, woran man gute Datenqualität erkennt, welche Mängel in Altdaten und Messdaten typisch sind und welche Folgen sie beim Import haben, wie sich Validierung und Verifizierung unterscheiden, welche Wege der Datenübernahme es gibt (Bereinigen von Hand, Importprogramm, Staging-Tabelle, ETL) und wie Du mit MariaDB Altdaten prüfst. Zum Schluss geht es um die Frage, ob sich ein Import überhaupt lohnt, und wie die Datenqualität im neuen System hoch bleibt.