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- 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
- 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.
- Abschlussquiz20 Fragen im Stil der schriftlichen Prüfung, jeweils eine richtige Antwort. Ab 14 richtigen Antworten (70 %) sind Sie gut vorbereitet. Auswerten Neu beginnen
- 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
- Lektion 1: Vektoren und MatrizenEin Beispiel ist ein Vektor, ein Datensatz eine Matrix – und die meisten Modelle rechnen mit gewichteten Summen (Skalarprodukten).
- Lektion 2: Abstand und ÄhnlichkeitAbstände sind nur fair, wenn die Merkmale skaliert sind – sonst entscheidet das Merkmal mit den größten Zahlen.
- Lektion 3: Funktionen und SteigungAbleitung = Steigung. Am tiefsten Punkt einer Fehlerkurve ist die Steigung null.
- Lektion 4: GradientenabstiegLernrate zu klein: sehr langsam. Lernrate zu groß: springt über das Ziel oder läuft davon.
- Lektion 5: Wahrscheinlichkeit und BayesIst ein Ereignis selten, sind auch bei einem guten Test viele Alarme falsch – die Basisrate entscheidet mit.
- Lektion 6: NormalverteilungBei Normalverteilung liegen etwa 68 % der Werte innerhalb einer, 95 % innerhalb zweier und 99,7 % innerhalb dreier Standardabweichungen.
Teil B · Regression
- Lektion 7: Lineare Regressionb₀ = Startwert, b₁ = Veränderung pro Einheit. Die Gerade gilt nur im Bereich der Trainingsdaten sicher.
- Lektion 8: Kleinste Quadrate und R²Kleinste Quadrate: Summe der quadrierten Fehler minimieren. R² = Anteil erklärter Streuung.
- Lektion 9: Multiple RegressionEin Koeffizient zeigt die Wirkung eines Merkmals, wenn alle anderen gleich bleiben – nicht mehr und nicht weniger.
- Lektion 10: Logistische RegressionLogistische Regression = lineare Summe + Sigmoid = Wahrscheinlichkeit einer Klasse. Die Schwelle legt das Geschäft fest, nicht die Mathematik.
Teil C · Klassifikationsverfahren
- Lektion 11: k-nächste NachbarnkNN: ähnlichste Fälle suchen, Mehrheit entscheidet. Vorher skalieren, k mit Kreuzvalidierung wählen.
- Lektion 12: EntscheidungsbaumEin Baum stellt die Frage, nach der die Gruppen am reinsten sind. Zu tiefe Bäume lernen auswendig.
- Lektion 13: EnsemblesBagging: viele Bäume parallel, Mehrheit entscheidet. Boosting: Bäume nacheinander, jeder korrigiert den Vorgänger.
- Lektion 14: Naive BayesNaive Bayes = Satz von Bayes mit der vereinfachenden Annahme unabhängiger Merkmale – schnell und stark bei Texten.
- Lektion 15: Support Vector MachineSVM: die Trennlinie mit dem breitesten Sicherheitsabstand; der Kernel-Trick macht krumme Grenzen möglich.
- Lektion 16: Welches Verfahren wann?Mit dem einfachsten passenden Modell anfangen; Komplexität muss sich durch messbar bessere Ergebnisse rechtfertigen.