Modul 3: Mathematik und einfache Lernverfahren

Hier wird nachgerechnet, was in Modul 1 beschrieben wurde. Keine Angst vor Formeln: Sie brauchen nur die vier Grundrechenarten, Quadrieren, Wurzelziehen und einen Taschenrechner. Jede Formel kommt mit einem Bild und einem durchgerechneten Beispiel. Danach kennen Sie die klassischen Lernverfahren – lineare und logistische Regression, k-nächste Nachbarn, Entscheidungsbaum, Random Forest, Naive Bayes und SVM – und wissen, wann welches passt.

Einleitung und häufige Fragen jedes Kapitels sind frei lesbar. Den vollständigen Inhalt mit Übungen und Quiz schalten Sie einmalig für 99 € frei.

Freischalten
  1. EinführungMathematik und einfache Lernverfahren: wie Modelle wirklich rechnen Hier wird nachgerechnet, was in Modul 1 beschrieben wurde. Keine Angst vor Formeln: Sie brauchen nur die vier Grundrechenarten, Quadrieren, Wurzelziehen und einen Taschenrechner. Jede Formel kommt mit einem Bild und einem durchgerechneten Beispiel. Danach kennen Sie die klassischen Lernverfahren – lineare und logistische Regressio
  2. ÜbungenRechnen Sie mit Taschenrechner und schreiben Sie die Ergebnisse in die Felder. Zahlen und Auswahlfelder prüft die Seite sofort, Freitexte bewertet die KI wie ein IHK-Prüfer. Die beiden Rechner in den Lektionen 5 und 8 helfen bei der Kontrolle.
  3. Abschlussquiz20 Fragen im Stil der schriftlichen Prüfung, jeweils eine richtige Antwort. Ab 14 richtigen Antworten (70 %) sind Sie gut vorbereitet. Auswerten Neu beginnen
  4. ZusammenfassungVektoren Beispiel = Vektor, Datensatz = Matrix; Modelle rechnen Skalarprodukte. Abstände euklidisch, Manhattan, Kosinus – nur mit skalierten Merkmalen fair. Gradientenabstieg w neu = w alt − η · Steigung; Lernrate richtig wählen. Bayes Basisrate entscheidet mit; seltene Ereignisse → viele Fehlalarme. Lineare Regression b₁ = Cov/Var, b₀ = ȳ − b₁x̄, R² = erklärte Streuung. Logistische Regression Sig

Teil A · Mathematische Grundlagen

  1. Lektion 1: Vektoren und MatrizenEin Beispiel ist ein Vektor, ein Datensatz eine Matrix – und die meisten Modelle rechnen mit gewichteten Summen (Skalarprodukten).
  2. Lektion 2: Abstand und ÄhnlichkeitAbstände sind nur fair, wenn die Merkmale skaliert sind – sonst entscheidet das Merkmal mit den größten Zahlen.
  3. Lektion 3: Funktionen und SteigungAbleitung = Steigung. Am tiefsten Punkt einer Fehlerkurve ist die Steigung null.
  4. Lektion 4: GradientenabstiegLernrate zu klein: sehr langsam. Lernrate zu groß: springt über das Ziel oder läuft davon.
  5. Lektion 5: Wahrscheinlichkeit und BayesIst ein Ereignis selten, sind auch bei einem guten Test viele Alarme falsch – die Basisrate entscheidet mit.
  6. Lektion 6: NormalverteilungBei Normalverteilung liegen etwa 68 % der Werte innerhalb einer, 95 % innerhalb zweier und 99,7 % innerhalb dreier Standardabweichungen.

Teil B · Regression

  1. Lektion 7: Lineare Regressionb₀ = Startwert, b₁ = Veränderung pro Einheit. Die Gerade gilt nur im Bereich der Trainingsdaten sicher.
  2. Lektion 8: Kleinste Quadrate und R²Kleinste Quadrate: Summe der quadrierten Fehler minimieren. R² = Anteil erklärter Streuung.
  3. Lektion 9: Multiple RegressionEin Koeffizient zeigt die Wirkung eines Merkmals, wenn alle anderen gleich bleiben – nicht mehr und nicht weniger.
  4. Lektion 10: Logistische RegressionLogistische Regression = lineare Summe + Sigmoid = Wahrscheinlichkeit einer Klasse. Die Schwelle legt das Geschäft fest, nicht die Mathematik.

Teil C · Klassifikationsverfahren

  1. Lektion 11: k-nächste NachbarnkNN: ähnlichste Fälle suchen, Mehrheit entscheidet. Vorher skalieren, k mit Kreuzvalidierung wählen.
  2. Lektion 12: EntscheidungsbaumEin Baum stellt die Frage, nach der die Gruppen am reinsten sind. Zu tiefe Bäume lernen auswendig.
  3. Lektion 13: EnsemblesBagging: viele Bäume parallel, Mehrheit entscheidet. Boosting: Bäume nacheinander, jeder korrigiert den Vorgänger.
  4. Lektion 14: Naive BayesNaive Bayes = Satz von Bayes mit der vereinfachenden Annahme unabhängiger Merkmale – schnell und stark bei Texten.
  5. Lektion 15: Support Vector MachineSVM: die Trennlinie mit dem breitesten Sicherheitsabstand; der Kernel-Trick macht krumme Grenzen möglich.
  6. Lektion 16: Welches Verfahren wann?Mit dem einfachsten passenden Modell anfangen; Komplexität muss sich durch messbar bessere Ergebnisse rechtfertigen.