Maschinelles Lernen - Daten sammeln und für einfache maschinelle Lernprojekte aufbereiten - M - Kompetenzraster Informatik 7



Maschinelles Lernen - Daten sammeln und für einfache maschinelle Lernprojekte aufbereiten - M - Kompetenzraster Informatik 7


Einleitung

Im Bereich der künstlichen Intelligenz und des maschinellen Lernens ist die Sammlung und Aufbereitung von Daten einer der grundlegendsten Schritte. Ohne Daten gibt es kein Lernen, keine Mustererkennung und keine Vorhersagen. In diesem aiMOOC wirst Du lernen, wie Daten für einfache maschinelle Lernprojekte gesammelt, bereinigt, und aufbereitet werden. Diese Fähigkeiten sind essenziell, um maschinelle Lernmodelle effektiv trainieren zu können.


Daten sammeln


Datenquellen identifizieren

Bevor Du mit dem Sammeln von Daten beginnen kannst, musst Du zunächst passende Datenquellen identifizieren. Datenquellen können vielfältig sein – von Online-Datenbanken und APIs über soziale Medien bis hin zu öffentlichen Datensätzen, die von Forschungsinstituten bereitgestellt werden.

  1. Open Data-Portale wie data.gov oder data.europa.eu
  2. APIs (Application Programming Interfaces) für den Zugriff auf Daten von Websites oder Diensten
  3. Umfragen und Experimente, um eigene Daten zu generieren


Daten legal und ethisch sammeln

Es ist wichtig, beim Sammeln von Daten die rechtlichen und ethischen Richtlinien zu beachten.

  1. Überprüfe die Datenschutz-Richtlinien und stelle sicher, dass die Datensammlung den lokalen Gesetzen entspricht.
  2. Berücksichtige die Ethik beim Umgang mit personenbezogenen Daten und verwende sie respektvoll.


Daten aufbereiten


Datenbereinigung

Sobald die Daten gesammelt sind, ist der nächste Schritt die Datenbereinigung. Dieser Schritt ist entscheidend, um die Qualität der Daten zu gewährleisten.

  1. Entferne Duplikate, um Redundanzen in den Daten zu vermeiden.
  2. Behandle fehlende Werte durch Methoden wie das Entfernen von Einträgen oder das Ersetzen durch Durchschnittswerte (Imputation).
  3. Korrigiere offensichtliche Fehler in den Daten, wie z.B. Tippfehler oder falsche Einheiten.


Feature Engineering

Feature Engineering ist der Prozess der Auswahl, Modifikation oder Erstellung neuer Merkmale (Features) aus den vorhandenen Daten, um die Leistung der maschinellen Lernmodelle zu verbessern.

  1. Normalisierung und Standardisierung von Daten zur besseren Verarbeitung durch das Modell.
  2. Auswahl relevanter Features, um das Modell nicht mit irrelevanten Informationen zu überlasten.
  3. Erstellung neuer Features durch Kombination oder Transformation bestehender Datenpunkte.


Interaktive Aufgaben


Quiz: Teste Dein Wissen

Welche der folgenden Optionen ist eine gängige Quelle für die Datensammlung? (Open Data-Portale) (!Bücher in einer öffentlichen Bibliothek) (!Persönliche Notizen) (!Handschriftliche Briefe)

Was ist ein wichtiger Schritt bei der Datenbereinigung? (Entfernen von Duplikaten) (!Erhöhen der Datenmenge) (!Ändern der Datenfarbe) (!Hinzufügen von Zufallsdaten)

Was versteht man unter Feature Engineering? (Die Auswahl, Modifikation oder Erstellung neuer Merkmale aus vorhandenen Daten) (!Das Kopieren von Features aus einem anderen Dataset) (!Das Löschen aller Features außer einem) (!Die Verschlüsselung der Daten)

Warum ist die Normalisierung von Daten wichtig? (Um die Daten besser durch das Modell verarbeiten zu lassen) (!Um die Datenmenge zu erhöhen) (!Um die Daten zu verschlüsseln) (!Um die Datenfarbe zu ändern)

Welcher der folgenden Punkte gehört nicht zu den ethischen Richtlinien beim Sammeln von Daten? (!Das Hinzufügen von Zufallsdaten zu den gesammelten Daten) (Achten auf Datenschutzrichtlinien) (Respektvoller Umgang mit personenbezogenen Daten) (Einhaltung der lokalen Gesetze)





Memory

Open Data Öffentliche Datenportale
Normalisierung Anpassung von Daten auf einen gemeinsamen Maßstab
Duplikate entfernen Bereinigungsschritt in der Datenaufbereitung
APIs Schnittstellen für den Zugriff auf Online-Daten
Feature Engineering Prozess zur Verbesserung von Datenmerkmalen





Kreuzworträtsel

datenquellen Woher können Daten gesammelt werden?
duplikate Was sollte aus den Daten entfernt werden, um Redundanzen zu vermeiden?
normalisierung Welcher Prozess passt Daten an einen gemeinsamen Maßstab an?
features Was wird im Prozess des Feature Engineering modifiziert oder neu erstellt?
ethik Welches Prinzip muss beim Sammeln von Daten immer berücksichtigt werden?




LearningApps

Lückentext

Vervollständige den Text.

Die Auswahl von

ist der erste Schritt bei der Datensammlung. Datenbereinigung beinhaltet das Entfernen von

und das Behandeln von

. Im Feature Engineering werden neue

aus vorhandenen Daten erstellt.

Offene Aufgaben

Leicht

  1. Recherchiere und liste drei öffentliche Open Data-Portale auf.
  2. Identifiziere ein Datenproblem (z.B. fehlende Werte) in einem Datensatz und überlege, wie dieses Problem gelöst werden könnte.
  3. Erkläre, warum Datenschutz und Ethik bei der Datensammlung wichtig sind.

Standard

  1. Führe eine kleine Datensammlung durch, indem Du Daten aus einem öffentlichen API sammelst und speicherst.
  2. Führe eine einfache Datenbereinigung durch: Entferne Duplikate und behandle fehlende Werte in einem kleinen Datensatz.
  3. Entwickle ein Konzept für ein einfaches Feature Engineering, indem Du neue Features aus bestehenden Daten eines Datensatzes erstellst.

Schwer

  1. Implementiere einen kleinen Datensammelprozess, indem Du ein Skript schreibst, das Daten automatisch von einer ausgewählten Quelle sammelt.
  2. Entwickle und wende eine Methode zur Normalisierung und Standardisierung eines realen Datensatzes an.
  3. Erstelle ein komplexes Feature-Engineering-Projekt, indem Du mehrere neue Features entwickelst und ihre Wirksamkeit in einem maschinellen Lernprojekt bewertest.




Text bearbeiten Bild einfügen Video einbetten Interaktive Aufgaben erstellen

Lernkontrolle

  1. Diskutiere, wie die Qualität der Datensammlung das Endergebnis eines maschinellen Lernprojekts beeinflussen kann.
  2. Erkläre, wie die Auswahl von Features das Training und die Leistung eines maschinellen Lernmodells beeinflussen kann.
  3. Vergleiche und kontrastiere die Methoden der Datenbereinigung und ihre Auswirkungen auf die Datenqualität.
  4. Bewerte verschiedene Strategien des Feature Engineerings und ihre potenzielle Auswirkung auf maschinelle Lernmodelle.
  5. Entwirf ein ethisches Rahmenwerk für die Datensammlung in einem maschinellen Lernprojekt.



OERs zum Thema


Links

Teilen - Diskussion - Bewerten





Schulfach+





aiMOOCs



aiMOOC Projekte











Text bearbeiten Bild einfügen Video einbetten Interaktive Aufgaben erstellen

Teilen Facebook Twitter Google Mail an MOOCit Missbrauch melden Zertifikat beantragen

0.00
(0 Stimmen)