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, findest Fehler im Vorgehen eines Kollegen, erkennst Overfitting und Underfitting und leitest Qualitätskriterien aus Anforderungen ab.
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 für das Lernen aufbereitet werden, warum man Trainings- und Testdaten trennt, woran man Overfitting erkennt und nach welchen Kriterien man ein Modell beurteilt. Zum Schluss geht es um den Ablauf eines Projekts zum maschinellen Lernen und das Vorgehensmodell CRISP-DM.
