Lesson_1

Question 1

Welche Arten des maschinellen Lernens gibt es?

Answer 1

• Überwachtes Lernen (Supervised Learning)
  Klassifikation: Entscheidungsbäume, k-Nearest Neighbors (k-NN), Support Vector Machines (SVM),Regression: Lineare Regression, Random Forest, Neuronale Netze
• Unüberwachtes Lernen (Unsupervised Learning)
  Clustering: K-Means
• • Reinforcement Learning

Question 2

Was ist die lineare Regression?

Answer 2

Eine Methode zur Vorhersage eines Zielwertes (abhängige Variable) anhand von unabhängigen Beobachtungen.

Vorhersagefunktion: ( h_{ heta}(x) = heta_0 + heta_1 \cdot x )

Question 3

Was ist der Mean Squared Error (MSE)?

Answer 3

Der MSE misst die durchschnittliche quadratische Abweichung der vorhergesagten Werte von den tatsächlichen Werten:

( MSE = \frac{1}{2m} \sum_{i=1}^{m} (h_{ heta}(x^{(i)}) - y^{(i)})^2 )

Question 4

Was ist der Gradient Descent-Algorithmus?

Answer 4

Ein iterativer Algorithmus, der den Gradienten der Kostenfunktion nutzt, um die Parameter** ( \theta ) zu aktualisieren** und die Kostenfunktion zu minimieren.

Question 5

Wie werden Daten im maschinellen Lernen aufgeteilt?

Answer 5

• Trainingsset: Zum Erstellen des Modells. 60%
• Validationsset: Zum Testen verschiedener Modelle. 20%
• Testset: Zum Evaluieren des fertigen Modells. 20%

Question 6

Erkläre Überwachtes Lernen

Answer 6

Überwachtes Lernen ist eine Methode, bei der das Modell anhand von Daten mit vorgegebenen Labels (auch Zielwerte genannt) trainiert wird. Die Hauptaufgabe besteht darin, eine Funktion zu lernen, die die Eingabedaten auf die richtigen Ausgaben abbildet.

Merkmale:
Daten: Es wird ein Trainingsdatensatz verwendet, bei dem sowohl die Eingabedaten (Features) als auch die zugehörigen Ausgabedaten (Labels) bekannt sind.
Ziel: Das Modell soll lernen, eine Mapping-Funktion zu erstellen, die neue, bisher unbekannte Eingabedaten auf die korrekten Ausgabewerte abbildet.
Beispiele: Klassifikation (z.B. Kategorisierung von E-Mails als “Spam” oder “Nicht-Spam”) und Regression (z.B. Vorhersage von Immobilienpreisen basierend auf Quadratmetern, Lage usw.).

Question 7

Unüberwachtes Lernen

Answer 7

Unüberwachtes Lernen arbeitet mit Daten, bei denen keine Labels oder Zielwerte bekannt sind. Der Algorithmus versucht, Muster oder Strukturen in den Daten zu erkennen, ohne dass ihm vorher gesagt wird, welche Art von Muster er finden soll.

Merkmale:
Daten: Es gibt nur Eingabedaten (Features), aber keine zugehörigen Labels oder Zielwerte.
Ziel: Das Modell soll Muster oder Zusammenhänge in den Daten erkennen. Es wird z.B. nach Clustern oder Ähnlichkeiten in den Daten gesucht.
Beispiele: Clustering (z.B. Gruppierung ähnlicher Kundenprofile), Dimensionsreduktion (z.B. Reduzierung der Komplexität von Daten).