diff --git a/docs/1intro/def.rst b/docs/1intro/def.rst index ca00bb0..1de9582 100644 --- a/docs/1intro/def.rst +++ b/docs/1intro/def.rst @@ -1,6 +1,8 @@ Definition von Künstlicher Intelligenz ====================================== +Was ist die **Künstliche Intelligenz (KI)**? + Künstliche Intelligenz (KI) bezeichnet die Fähigkeit eines Computers oder einer Maschine, menschenähnliche kognitive Funktionen auszuführen. Dazu gehören Aufgaben wie Lernen, Problemlösung, Mustererkennung und Entscheidungsfindung. @@ -17,12 +19,13 @@ Die Entwicklung der KI lässt sich in mehrere Phasen einteilen: * Erste Algorithmen zur symbolischen Verarbeitung und regelbasierten Systeme wurden entwickelt. * Alan Turings berühmter `Turing-Test - `_ stellte eine frühe Methode - zur Bewertung der Intelligenz einer Maschine vor. + `_ stellte eine `frühe Methode + zur Bewertung der Intelligenz einer Maschine + `_ vor. * In den 1960er Jahren entstanden erste Expertensysteme, die regelbasierte Entscheidungsfindung ermöglichten. -1980er–1990er: Erste Fortschritte und Rückschläge** +1980er–1990er: Erste Fortschritte und Rückschläge * KI erlebte durch das Aufkommen von neuronalen Netzen und maschinellem Lernen einen Aufschwung. * Aufgrund hoher Rechenkosten und begrenzter Datenverfügbarkeit flachte das @@ -39,8 +42,11 @@ Unterschiedliche Formen der Künstlichen Intelligenz KI kann auf verschiedene Art und Weisen in verschiedene Kategorien unterteilt werden. Eine Möglichkeit ist die Kategorisierung nach ihrem Funktionsumfang und -ihren Anwendungsmöglichkeiten, wie von Prof. Arend Hintze definiert, Forscher -und Professor der Integrative Biology an der Michigan State University: +ihren Anwendungsmöglichkeiten, wie von Prof. Arend Hintze, Forscher +und Professor der Integrative Biology an der Michigan State University, in dessen +`Understanding the four types of AI, from reactive robots to self-aware beings +`_ +definierte: #. Reaktive KI (Reactive AI) @@ -98,9 +104,9 @@ Prädiktive vs. Generative KI ---------------------------- Die aktuell in der Industrie gängigen Formen der KI lassen sind insbesondere in -**prädiktive KI** und **generative KI** unterscheiden: +**prädiktive KI** (Predictive AI) und **generative KI** (Generative AI) unterscheiden: -#. Prädiktive KI +1. Prädiktive KI * Diese KI nutzt historische Daten, um **zukünftige Ereignisse vorherzusagen**. @@ -138,20 +144,20 @@ Bedeutung dieser Unterscheidung Anwendungsfälle von KI ---------------------- -KI findet heute in zahlreichen Bereichen Anwendung, darunter: +KI findet heute in zahlreichen Bereichen Anwendung, hier sind nur eine Beispiele aufgelistet: -Gesundheitswesen +Gesundheitswesen: Diagnosestellung durch KI-gestützte Bildverarbeitung, Medikamentenentwicklung. -Finanzwesen +Finanzwesen: Automatische Betrugserkennung, algorithmischer Handel. -Industrie +Industrie: Automatisierung von Prozessen, Qualitätskontrolle in der Fertigung. -Autonome Systeme +Autonome Systeme: Selbstfahrende Autos, Drohnen, Robotersteuerung. -Sprachverarbeitung +Sprachverarbeitung: Sprachassistenten wie Siri, Alexa oder Google Assistant. -Kreative Anwendungen +Kreative Anwendungen: Generierung von Texten, Musik und Kunst durch KI. Ethische Fragestellungen in der KI @@ -160,15 +166,15 @@ Ethische Fragestellungen in der KI Mit der rasanten Entwicklung der KI gehen auch bedeutende ethische Fragen einher: -Bias und Diskriminierung - KI-Modelle können bestehende Vorurteile aus Trainingsdaten übernehmen. -Arbeitsplatzverdrängung +Bias und Diskriminierung: + KI-Modelle können bestehende Vorurteile aus den gegebenen Trainingsdaten übernehmen. +Arbeitsplatzverdrängung: Automatisierung kann menschliche Arbeitsplätze gefährden. -Transparenz und Erklärbarkeit +Transparenz und Erklärbarkeit: Viele KI-Modelle, insbesondere Deep Learning, sind schwer zu interpretieren. -Verantwortung und Haftung +Verantwortung und Haftung: Wer ist verantwortlich, wenn eine KI fehlerhafte oder schädliche Entscheidungen trifft? -Datenschutz +Datenschutz: KI-Anwendungen erfordern oft große Datenmengen, was Datenschutzprobleme aufwirft. diff --git a/docs/1intro/evaluation.rst b/docs/1intro/evaluation.rst index fed9770..231db0b 100644 --- a/docs/1intro/evaluation.rst +++ b/docs/1intro/evaluation.rst @@ -4,13 +4,96 @@ Evaluation von ML-Modellen Warum ist die Modellbewertung wichtig? -------------------------------------- -* Die Evaluation von ML-Modellen stellt sicher, dass das Modell zuverlässig und - generalisierbar ist. -* Ein gut evaluiertes Modell verhindert Overfitting und hilft, die besten - Algorithmen und Parameter auszuwählen. +* Die Evaluation von ML-Modellen stellt sicher, dass das Modell zuverlässig und generalisierbar ist. +* Ein gut evaluiertes Modell verhindert Overfitting und hilft, die besten Algorithmen und Parameter auszuwählen. -Wichtige Metriken für Klassifikationsprobleme ---------------------------------------------- + +Wichtige Metriken und Tools für Klassifikationsprobleme +---------------------------------------------------------- + +Die einfachste Form der Klassifikation ist die binäre Klassifikation (binary classification) und besteht aus zwei Zuständen. + +Beispiel Covid-Schnelltest: Wir wollen untersuchen, wie gut der Infektionsstatus eines Patienten durch Corona-Schnelltests wiedergespiegelt wird. +Hier würde der Corona-Schnelltest als der Klassifikator von genau zwei Zuständen dienen: infiziert oder nicht-infiziert. + +Aus diesen zwei Klassen können sich genau 4 Kombinationen ergeben, je nach dem, was das Modell vorhergesagt hat und ob das mit der Realität übereinstimmt: + +* **True Positive (TP)**: + Der Schnelltest klassifiziert die Person als infiziert (Positive) und ein anschließender PCR-Test bestätigt dieses Ergebnis (True prediction). Somit war der Schnelltest korrekt. +* **False Positive (FP)**: + Der Schnelltest klassifiziert die Person als infiziert (Positive), jedoch ergibt ein anschließender PCR-Test, dass die Person nicht infiziert ist (False prediction). +* **True Negative (TN)**: + Der Schnelltest klassifiziert die Person als nicht-infiziert (Negative) und die Person ist tatsächlich nicht infiziert (True prediction). +* **False Negative (FN)**: + Der Corona-Schnelltest klassifiziert die Person als nicht-infiziert (Negative), jedoch ist die Person infiziert und sollte somit einen positiven Schnelltest haben (False prediction). + + +Konfusionsmatrix / Wahrheitsmatrix (Confusion Matrix) +~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ + +*siehe auch*: `confusion matrix IBM `_, +`Wahrheitsmatrix `_ + +Ein weiteres Tool, um diese 4 Kombinationen leicht sichtbar zu machen, ist die Konfusionsmatrix: + +.. list-table:: Confusion Matrix + :header-rows: 1 + :align: center + + * - True Class ↓ / Predicted Class → + - Positive + - Negative + * - Positive (Actual Positive) + - True Positive (TP) + - False Negative (FN) + * - Negative (Actual Negative) + - False Positive (FP) + - True Negative (TN) + +Anhand unseres Corona-Schnelltest-Beispiels: + +Nehmen wir an, wir haben 100 Personen für den Testdatensatz an Corona-Schnelltests erfasst und +die sind wiefolgt aufgeteilt: + +.. list-table:: Confusion Matrix + :header-rows: 1 + :align: center + + * - True Class ↓ / Predicted Class → + - Positive + - Negative + * - Positive (Actual Positive) + - 60 (TP) + - 20 (FN) + * - Negative (Actual Negative) + - 10 (FP) + - 10 (TN) + +Daraus lässt sich folgendes "ablesen": + +* True Positive (TP) = 60: + 60 Personen sind laut Schnelltest infiziert (Positive) und sind tatsächlich infiziert (True). +* False Positive (FP) = 10: + 10 Personen sind laut Schnelltest infiziert (Positive), sind in Wirklichkeit aber nicht infiziert (False). +* True Negative (TN) = 10: + 10 Personen sind laut Schnelltest nicht-infiziert (Negative), und sind in Wirklichkeit auch wirklich gesund (True). +* False Negative (FN) = 20: + 20 Personen sind laut Schnelltest nicht-infiziert (Negative), sind aber tatsächlich infiziert (False). + +Die Konfusionsmatrix hilft stark dabei festzustellen, welche Art des Fehlers beim Klassifikator häufig(er) vorkommt. + +In unserem Beispiel ist der Corona-Schnelltest in 70 % der Fälle korrekt ((60 + 10) / 100), was erst mal kein schlechter Wert ist. + +Jedoch kommt in 10 % (20 / 100) aller Fälle ein False Negative Fehler vor. +Das bedeutet, dass in 10 % aller Fälle, die Person als gesund ausgewiesen wird, obwohl sie eigentlich krank und ansteckend ist. + +Im Fall einer Viruserkrankung ist also nicht nur die Genauigkeit entscheidend, sondern vor allem die **False Negative Rate**. + + +Die wichtigsten (und meist genutzten) Metriken +----------------------------------------------- + +In der Industrie werden aktuell für Klassifikationsprobleme vor allem folgende Metriken genutzt (basierend auf den oben genannten Konzepten): Accuracy (Genauigkeit) ~~~~~~~~~~~~~~~~~~~~~~ @@ -60,6 +143,19 @@ ausgewogenes Maß zu erhalten: Der F1-Score ist besonders nützlich bei unausgewogenen Datensätzen (engl.: *unbiased data sets*). +False Negative Rate (FNR) +~~~~~~~~~~~~~~~~~~~~~~~~~~ + +Die False Negative Rate (FNR) wird in der Business-Welt nicht so häufig verwendet, +sondern vor allem in spezifiellen Domänen wie in unserem Beispiel der medizinischen Tests: + +.. math:: + \text{FNR} = \frac{\text{FN} }{\text{TN} + \text{FN}} + +Die FNR ist also beim Evaluieren eines Tests einer hoch-ansteckenden Viruserkrankung ein wichtiger Indikator, +da es fatale Konsequenzen haben könnte, wenn zu viele *False Negatives* ausgelassen werden. + + Wichtige Metriken für Regressionsprobleme ----------------------------------------- @@ -89,6 +185,8 @@ R²-Koeffizient (Bestimmtheitsmaß) * Zeigt, wie gut das Modell die Varianz der Zielvariable erklärt. * Wertebereich: 0 (keine Erklärung) bis 1 (perfekte Erklärung). +*siehe auch*: `Bestimmtheitsmaß-Wiki `_ + Praktische Anwendung: Evaluierung eines Modells in Python --------------------------------------------------------- diff --git a/docs/1intro/linear-regression.rst b/docs/1intro/linear-regression.rst index 561eb52..e0d4d2c 100644 --- a/docs/1intro/linear-regression.rst +++ b/docs/1intro/linear-regression.rst @@ -4,11 +4,12 @@ Praktische Einführung: Lineare Regression Was ist Lineare Regression? --------------------------- -- Die **Lineare Regression** ist eines der grundlegendsten Modelle des maschinellen Lernens. +* Die **Lineare Regression** ist eines der grundlegendsten Modelle des maschinellen Lernens. +* Sie wird verwendet, um eine abhängige Variable (Zielvariable) anhand einer oder mehrerer unabhängiger Variablen vorherzusagen. +* Bei der linearen Regression ist die Voraussetzung, dass das `Skalenniveau `_ der abhängigen Variable `intervallskaliert `_ ist, sowie eine Normalverteilung vorliegt. +* Ist die abhängige Variable kategorisch, wird eine logistische Regression verwendet. -- Sie wird verwendet, um eine abhängige Variable (Zielvariable) anhand einer oder mehrerer unabhängiger Variablen vorherzusagen. - -- Die Gleichung einer einfachen linearen Regression lautet: +* Die Gleichung einer einfachen linearen Regression lautet: .. math:: y = wX + b @@ -23,6 +24,26 @@ Was ist Lineare Regression? - `b` der Achsenabschnitt (Bias). + +Interpretabilität von Linearen Regressions-Modellen +---------------------------------------------------- + +Wie viele Modelle müssen für die Lineare Regression einige Voraussetzungen in den Daten erfüllt sein, +damit die Ergebnisse der Regressionsanalyse interpretiert werden können. + +* Linearität: + Es muss ein linearer Zusammenhang zwischen der abhängigen und den unabhängigen Variablen bestehen. +* Homoskedastizität: + Die Residuen müssen eine konstante Varianz haben. +* Normalität: + Normalverteilte Fehlerkomponente +* Keine Multikollinearität: + Keine hohe Korrelation zwischen den unabhängigen Variablen +* Keine Autokorrelation: + Die Fehlerkomponente sollte keine Autokorrelation aufweisen. + +*siehe auch:* `datalab-tutorial`_ + Beispiel mit scikit-learn ------------------------- @@ -31,14 +52,22 @@ Schritte zur Implementierung eines ML-Modells 1. **Daten laden und vorbereiten** - - Import von Bibliotheken und Laden eines Datensatzes. + * Import von Bibliotheken und Laden eines Datensatzes. + * Untersuchung der Datenverteilung, Korrelationen und möglicher Ausreißer. + * Aufteilung der Daten in Trainings- und Testsets. + +2. **Datenvorbereitung** - - Aufteilung der Daten in Trainings- und Testsets. + * Umwandlung kategorischer Merkmale (One-Hot-Encoding). + * Normalisierung und Skalierung numerischer Merkmale. + * Aufteilung in Trainings- und Testdaten. -2. **Modell erstellen und trainieren** +3. **Modell erstellen und trainieren** - - Ein Lineares Regressionsmodell aus `scikit-learn` erstellen und trainieren. + * Ein Lineares Regressionsmodell aus `scikit-learn` erstellen und trainieren. + * Verwendung von Metriken zur Bewertung der Modellgüte (z.B. MSE, R²). -3. **Modell evaluieren** +4. **Modell evaluieren und Interpretation** - - Vorhersagen treffen und mit Metriken wie dem mittleren quadratischen Fehler (MSE) bewerten. + * Bewertung der Modellperformance auf dem Testdatensatz. + * Interpretation der wichtigsten Einflussgrößen. diff --git a/docs/1intro/ml-concepts.rst b/docs/1intro/ml-concepts.rst index ac5406b..facd79a 100644 --- a/docs/1intro/ml-concepts.rst +++ b/docs/1intro/ml-concepts.rst @@ -2,17 +2,15 @@ Maschinelles Lernen (ML): Konzepte und Typen ============================================ .. note:: - **TODO: MIT CODE BEISPIEL!** - https://www.python4data.science/de/latest/productive/dvc/dag.html +.. https://www.python4data.science/de/latest/productive/dvc/dag.html -Definition und Konzepte des Maschinellen Lernens (ML) ------------------------------------------------------ +Was ist **Maschinellen Lernens (Machine Learning)**? Maschinelles Lernen (Machine Learning, ML) ist ein Teilgebiet der Künstlichen -Intelligenz, das Computern ermöglicht, aus Daten zu lernen, anstatt explizit +Intelligenz, das es Computern ermöglicht, aus Daten zu lernen, anstatt explizit programmiert zu werden. Es gibt drei Hauptarten des ML: -Überwachtes Lernen (Supervised Learning) +1. Überwachtes Lernen (Supervised Learning) ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ Beim **überwachten Lernen** werden Modelle mit **gelabelten Daten** trainiert. @@ -53,7 +51,7 @@ Modellbewertung * Typische Metriken: Genauigkeit, Präzision, Recall und F1-Score, Mean Squared Error (MSE). -Unüberwachtes Lernen (Unsupervised Learning) +2. Unüberwachtes Lernen (Unsupervised Learning) ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ Beim **unüberwachten Lernen** gibt es **keine gelabelten Daten**. @@ -92,7 +90,6 @@ Dimensionsreduktion Theoretische Konzepte des Unüberwachten Lernens ::::::::::::::::::::::::::::::::::::::::::::::: - Clustering-Algorithmen ...................... @@ -112,8 +109,16 @@ PCA (Principal Component Analysis) t-SNE (t-Distributed Stochastic Neighbor Embedding) visualisiert komplexe Datensätze in 2D oder 3D. + Vergleich: Überwachtes vs. Unüberwachtes Lernen -~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ +~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ + +.. figure:: ../_static/images/day1-supervsed-unsupervised-learning.png + :alt: Überwachtes Lernen vs. Unüberwachtes Lernen + :align: center + :width: 700px + + **Abbildung 1:** Überwachtes Lernen vs. Unüberwachtes Lernen .. list-table:: Vergleich von Überwachtem und Unüberwachtem Lernen :header-rows: 1 @@ -134,7 +139,7 @@ Vergleich: Überwachtes vs. Unüberwachtes Lernen - Klassifikation, Regression - Clustering, Dimensionsreduktion -Reinforcement Learning (Bestärkendes Lernen, RL) +3. Reinforcement Learning (Bestärkendes Lernen, RL) ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ .. seealso:: @@ -156,63 +161,68 @@ wie ein Mensch, der durch Erfahrung lernt. Grundprinzipien von Reinforcement Learning :::::::::::::::::::::::::::::::::::::::::: -Agent +Beim Reinforcement Learning wird ein "Agent" definiert, z.B. Roboter, der sich innerhalb einer Umgebung, z.B. in einem Raum, sich zurechtfinden soll, mit einem klar definierten Ziel vor dem Auge, z.B. den Ausgang zu finden. +Der Agent bekommt keine klare Schrittreihenfolge vorgeschrieben, sondern hat Anweisungen für schrittweises Handeln und muss selbst herausfinden, wie er sich am besten zum Ziel kommt. + +Auf Details gehen wir in einem späteren Abschnitt dieser Schulung ein. + +.. Agent Das KI-System, das lernt (:abbr:`z.B. (zum Beispiel)` ein Roboter, ein autonomes Auto, ein Schachprogramm). -Umgebung (Environment) +.. Umgebung (Environment) Alles außerhalb des Agents, mit dem er interagiert. -Zustand (State) +.. Zustand (State) Eine Momentaufnahme der Umgebung, die den Agenten beeinflusst. -Aktion (Action) +.. Aktion (Action) Eine Entscheidung, die der Agent in einem bestimmten Zustand trifft. -Belohnung (Reward) +.. Belohnung (Reward) Eine numerische Bewertung der Aktion, die dem Agenten signalisiert, ob er sich der optimalen Lösung nähert oder nicht. -Richtlinien (Policy) +.. Richtlinien (Policy) Eine Strategie, die den besten nächsten Schritt für den Agenten bestimmt. -Qualitäts-Wert (Q-Value) +.. Qualitäts-Wert (Q-Value) Eine Bewertung, wie gut eine bestimmte Aktion in einem Zustand langfristig ist. Beispiele für RL-Anwendungen :::::::::::::::::::::::::::: -Spielstrategien +Spielstrategien: AlphaGo von DeepMind besiegte menschliche Meister im Go-Spiel durch RL. -Autonome Fahrzeuge +Autonome Fahrzeuge: Lernen, sicher zu fahren, indem sie Belohnungen für sichere Entscheidungen erhalten. -Robotik +Robotik: Industrieroboter optimieren ihre Bewegungen, um Aufgaben effizienter zu erledigen. -Algorithmischer Handel +Algorithmischer Handel: KI-Agenten lernen, wann sie Aktien kaufen oder verkaufen sollen. Wichtige RL-Algorithmen ::::::::::::::::::::::: -Q-Learning +Q-Learning: Eine tabellenbasierte Methode zur Speicherung der besten Aktionen. -Deep Q-Networks (DQN) +Deep Q-Networks (DQN): Eine Erweiterung von Q-Learning unter Verwendung von neuronalen Netzen. -Policy-Gradient-Verfahren +Policy-Gradient-Verfahren: Statt Werte zu lernen, lernt das Modell direkt eine optimale Strategie. -Proximal Policy Optimization (PPO) +Proximal Policy Optimization (PPO): Häufig in modernen RL-Anwendungen eingesetzt (z. B. bei OpenAI Gym). Herausforderungen im RL ::::::::::::::::::::::: -Exploration vs. Exploitation +Exploration vs. Exploitation: Ein Agent muss entscheiden, ob er eine **neue Strategie** testet oder eine **bereits bekannte, aber möglicherweise nicht optimale** Strategie nutzt. -Belohnungsdesign +Belohnungsdesign: Ein schlecht definierter Belohnungsmechanismus kann dazu führen, dass das Modell unerwartete oder unerwünschte Strategien lernt. -Rechenaufwand +Rechenaufwand: RL benötigt oft viele Trainingsdurchläufe und Rechenleistung. -Deep Learning (DL) als spezialisierte Form des ML +4. Deep Learning (DL) als spezialisierte Form des ML ~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~ Definition @@ -238,6 +248,14 @@ Ausgangsschicht (Output Layer) Gibt das Ergebnis der Berechnung aus (:abbr:`z.B. (zum Beispiel)` Klassifizierung in „Hund“ oder „Katze“). + +.. figure:: ../_static/images/day1-neural-network.png + :alt: Neural Network Aufbau + :align: center + :width: 700px + + **Abbildung 1:** Neural Network grober Aufbau + Arten von neuronalen Netzwerken ::::::::::::::::::::::::::::::: @@ -269,8 +287,10 @@ Herausforderungen im Deep Learning :::::::::::::::::::::::::::::::::: Erklärbarkeit - DL-Modelle sind oft **Black Boxes**, deren Entscheidungen schwer - nachvollziehbar sind. + DL-Modelle sind oft **Black Boxes**, deren Entscheidungen schwer nachvollziehbar sind. + Früher hielt man generell alle Machine Learning Modelle für **Black Boxes**, aber dann hat man + für die "traditionellere" ML-Modelle Wege gefunden, dass man von den Modell-Gewichten zu den Features zurückführen kann, + warum ein Modell diese Vorhersage getroffen hat, z.B. `shap `_ Bibliothek. Datenbedarf Sehr große Mengen an **Trainingsdaten** sind notwendig. diff --git a/docs/1intro/training-modelling.rst b/docs/1intro/training-modelling.rst index e743be3..3d7d2c7 100644 --- a/docs/1intro/training-modelling.rst +++ b/docs/1intro/training-modelling.rst @@ -23,8 +23,14 @@ Feature Engineering Definition ~~~~~~~~~~ -Feature Engineering ist die Kunst, relevante Eingangsvariablen für ein Modell zu -erstellen. +Feature Engineering ist die Kunst, relevante Eingangsvariablen für ein Modell zu erstellen. + +Beachte, dass Feature Engineering vor allem bei den klassischen Machine-Learning Modellen +eine wichtige Rolle spielt und entscheidend für die Modell Performance ist. + +Bei den späteren leistungsfähigeren Modellen, z.B. Deep Learning, kann man oft auf intensive Feature Engineering +verzichten, und das Modell selbst die wichtigsten Features oder Dimensionen in den Daten finden lassen. +Allerdings setzt das genügend leistungsfähige Hardware und Datenqualität vor allem Datenmenge voraus. Beispiel ~~~~~~~~ @@ -59,10 +65,3 @@ Modelltraining und Optimierung 4. **Modellbewertung:** Verwendung von Metriken wie Genauigkeit, F1-Score oder Mean Squared Error zur Bewertung der Vorhersagequalität. 5. **Modellbereitstellung:** Einsatz des trainierten Modells in einer produktiven Umgebung. - -Praxisbeispiel: Modelltraining in Python ----------------------------------------- - -- Implementierung eines einfachen ML-Modells mit scikit-learn zur Vorhersage von Hauspreisen. - -- Demonstration von Datenvorbereitung, Feature Engineering und Modelltraining. diff --git a/docs/_static/images/day1-neural-network.png b/docs/_static/images/day1-neural-network.png new file mode 100644 index 0000000..02ab95b Binary files /dev/null and b/docs/_static/images/day1-neural-network.png differ diff --git a/docs/_static/images/day1-supervsed-unsupervised-learning.png b/docs/_static/images/day1-supervsed-unsupervised-learning.png new file mode 100644 index 0000000..5dd1919 Binary files /dev/null and b/docs/_static/images/day1-supervsed-unsupervised-learning.png differ diff --git a/docs/_static/images/logo/day1_def_Turing-Test.png b/docs/_static/images/logo/day1_def_Turing-Test.png new file mode 100644 index 0000000..ad71425 Binary files /dev/null and b/docs/_static/images/logo/day1_def_Turing-Test.png differ