Machine Learning Grundlagen

MLGrundlagen

Lerne die Grundprinzipien von Machine Learning, verstehe wichtige Algorithmen und starte deine Reise in die Welt der künstlichen Intelligenz.

📚 Beginner-Friendly

15 min Lesezeit

🎯 Praxisbeispiele

Mit Python Code

⚡ ML Quick Tips

📊

Data quality

80% der ML-Zeit geht in Datenaufbereitung

🎯

Start Simple

Beginne mit einfachen Algorithmen

⚠️

Overfitting vermeiden

Validation Split verwenden

🐍

Python Ecosystem

scikit-learn, pandas, numpy

🤖 Was ist Machine Learning?

Machine Learning (ML) ist ein Teilbereich der Künstlichen Intelligenz (KI), bei dem Computer Algorithmen verwenden, um Muster in Daten zu erkennen und Vorhersagen zu treffen, ohne explizit für jede Aufgabe programmiert zu werden.

💡 Kernkonzept

Traditionelle Programmierung: Input + Programm → Output

Machine Learning: Input + Output → Programm (Modell)

🎯 Praktische Anwendungen

🛒 E-Commerce

• Produktempfehlungen
• Preisoptimierung
• Betrugserkennung

🏥 Gesundheitswesen

- Diagnostic support
• Medikamentenentwicklung
- Image recognition (X-ray, MRI)

🚗 Transport

• Autonomes Fahren
• Routenoptimierung
• Predictive Maintenance

💰 Finanzen

• Kreditrisiko-Bewertung
• Algorithmic Trading
- Compliance monitoring

📊 Arten von Machine Learning

🎯

Supervised Learning

Lernen mit gelabelten Daten

Klassifikation

Regression

Spam-Erkennung

Hauspreisvorhersage

🔍

Unsupervised Learning

Muster in ungelabelten Daten finden

Clustering

Dimensionsreduktion

Kundensegmentierung

Anomalieerkennung

🎮

Reinforcement Learning

Lernen durch Belohnung und Bestrafung

Spielstrategien

Robotik

Autonomes Fahren

Trading-Algorithmen

⚙️ Important algorithms for beginners

Linear Regression

Einsteiger

Einfache lineare Beziehungen modellieren

Einsatz:Kontinuierliche Vorhersagen

Vorteile:Interpretierbar, schnell

Nachteile:Nur lineare Beziehungen

Decision Trees

Einsteiger

Entscheidungsregeln in Baumstruktur

Einsatz:Klassifikation & Regression

Vorteile:Sehr interpretierbar

Nachteile:Neigt zu Overfitting

Random Forest

Mittel

Ensemble aus vielen Decision Trees

Einsatz:Robuste Vorhersagen

Vorteile:Robust, feature importance

Nachteile:Weniger interpretierbar

K-Means Clustering

Einsteiger

Daten in k Gruppen clustern

Einsatz:Kundensegmentierung

Vorteile:Einfach, schnell

Nachteile:k muss vorgegeben werden

💻 Praxis-Beispiel: Hauspreisvorhersage

Ein einfaches Beispiel, wie ein ML-Projekt strukturiert aussehen könnte:

🐍 Python Code-Beispiel

# 1. Bibliotheken importieren
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error, r2_score

# 2. Daten laden
data = pd.read_csv('house_prices.csv')

# 3. Features und Target definieren
X = data[['size', 'bedrooms', 'age', 'location_score']]
y = data['price']

# 4. Train/Test Split
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 5. Modell trainieren
model = LinearRegression()
model.fit(X_train, y_train)

# 6. Vorhersagen machen
y_pred = model.predict(X_test)

# 7. Modell evaluieren
rmse = mean_squared_error(y_test, y_pred, squared=False)
r2 = r2_score(y_test, y_pred)

print(f"RMSE: {rmse:.2f}")
print(f"R² Score: {r2:.3f}")