Skip to content

day2 ready #5

New issue

Have a question about this project? Sign up for a free GitHub account to open an issue and contact its maintainers and the community.

Sign up for GitHub

By clicking “Sign up for GitHub”, you agree to our terms of service and privacy statement. We’ll occasionally send you account related emails.

Already on GitHub? Sign in to your account

Merged
veit merged 3 commits into from
Mar 11, 2025
Merged

day2 ready #5

Show file tree
Hide file tree
Changes from all commits
Commits
Show all changes
3 commits
Select commit Hold shift + click to select a range
95128b3
day 1 ready
Mar 9, 2025
1e951cc
day2 ready
Mar 11, 2025
063a147
Merge branch 'main' into main
veit Mar 11, 2025
File filter

Filter by extension

Filter by extension
Conversations
Failed to load comments.
Loading
Jump to
Jump to file
Failed to load files.
Loading
Diff view
Diff view
110 changes: 101 additions & 9 deletions docs/1intro/case-study.ipynb
View file
Open in desktop

Large diffs are not rendered by default.

2 changes: 1 addition & 1 deletion docs/1intro/evaluation.rst
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -101,7 +101,7 @@ Accuracy (Genauigkeit)
Prozentsatz der korrekten Vorhersagen:

.. math::
\text{Accuracy} = \frac{\text{Anzahl der korrekten Vorhersagen}}{\text{Gesamtanzahl der Vorhersagen}}
\text{Accuracy} = \frac{\text{Anzahl der korrekten Vorhersagen}}{\text{Gesamtanzahl der Vorhersagen}} = \frac{\text{TP}+\text{TN}}{all}

.. warning:
Accuracy hat eine Einschränkung bei (stark) unausgewogenen Datensätzen, da
Expand Down
1 change: 1 addition & 0 deletions docs/1intro/index.rst
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -46,4 +46,5 @@ Gliederung
linear-regression
case-study
reflection
usecase-pitfalls
extra
2 changes: 1 addition & 1 deletion docs/1intro/linear-regression.rst
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -71,4 +71,4 @@ Schritte zur Implementierung eines ML-Modells
4. **Modell evaluieren und Interpretation**

* Bewertung der Modellperformance auf dem Testdatensatz.
* Interpretation der wichtigsten Einflussgrößen.
* Interpretation der wichtigsten Einflussgrößen.
13 changes: 9 additions & 4 deletions docs/2deep_ml_ops/usecase-pitfalls.rst → docs/1intro/usecase-pitfalls.rst
View file
Open in desktop
Original file line number Diff line number Diff line change
Expand Up @@ -11,20 +11,25 @@ Use Case Fallgruben – Diskussion zur Kundenabwanderung (Customer Churn Predict

Ein Telekommunikationsunternehmen möchte vorhersagen, ob ein Kunde abwandern wird oder nicht. Die Lernenden sollen erarbeiten:

Relevante Gedankengänge:
~~~~~~~~~~~~~~~~~~~~~~~~~

1. **Wie definiert man Kundenabwanderung?**

- z.B. Vertragskunde: kündigt in den nächsten drei Monaten seinen Vertrag
- z.B. Prepaidkunde: wird innerhalb der nächsten drei Monate dessen SIM-Karte nutzen und innerhalb der nächsten 6 Monate aufladen

2. **Welche Daten sind relevant?**

2. **Wie sollten Features gestaltet werden?** (z. B. Anrufhäufigkeit, Vertragslaufzeit, Reklamationen?)
3. **Wie sollten Features gestaltet werden?**

Tip: Anrufhäufigkeit, Vertragslaufzeit, Reklamationen?

3. **Welche ML-Methoden eignen sich?** (Klassifikation, Feature Engineering)
4. **Welche ML-Methoden eignen sich?** (Klassifikation, Feature Engineering)

4. **Wie validiert man das Modell?**
5. **Wie validiert man das Modell?**

5. **Welche Herausforderungen können auftreten?**
6. **Welche Herausforderungen können auftreten?**

**Diskussionsfragen:**

Expand Down
Loading
Loading