Künstliche Intelligenz und Maschinelles Lernen in der Praxis

1. 00:00Nachdem wir nun gerade ein ganz gutes Bild über unsere Daten gewonnen haben, können wir
2. 00:04jetzt in dieser Einheit endlich unser erstes KI-Modell bauen.
3. 00:08Und was wir als allererstes dafür machen müssen, ist die Daten, wie wir sie gerade
4. 00:14haben, in ein KI-Format zu bringen.
5. 00:16Das heißt, schauen wir uns unsere Daten noch mal an, dann sehen wir unsere verschiedenen Attribute,
6. 00:21also Längengrad, Breitengrad und eben auch beispielsweise die Ocean Proximity.
7. 00:27Jetzt müssen wir einfach wissen, dass viele KI-Modelle nur auf numerischen Daten arbeiten können,
8. 00:34also nur mit Zahlen beispielsweise rechnen. Was relativ geläufig ist, wenn man sich überlegt, dass
9. 00:39viele dieser Modelle einfach aus Formeln besteht und man relativ schwierig
10. 00:44Kategorien multiplizieren kann.
11. 00:46Deswegen müssen wir uns jetzt überlegen, wie kriegen wir die Daten in ein geeignetes KI-Format.
12. 00:52Das ist aber eigentlich relativ simpel. Was wir dafür nämlich machen können,
13. 00:56ist one-hot encodings zu berechnen, also one-hot Transformationen.
14. 01:01Und das ist relativ simpel, indem wir einfach sagen, dass wir
15. 01:05Kategorien in binäre Vektoren transformieren.
16. 01:09Das heißt wenn wir beispielsweise die Kategorie nah am Meer haben, dann wird aus dieser Kategorie
17. 01:16in unseren Daten eine Spalte, wo wir sagen Kategorie nah am Meer trifft zu oder trifft nicht zu.
18. 01:24Also daraus quasi ein binäres Attribut machen.
19. 01:28Das geht auch hier einfach einfach,
20. 01:29weil es eine so typische Transformation ist, müssen wir das nicht komplett neu erfinden,
21. 01:35sondern können auch hier wieder Pandas für verwenden.
22. 01:37Also wir merken Pandas bietet wirklich eine Vielzahl an Funktionen, die wir immer wieder
23. 01:42brauchen und die schon für uns implementiert wurden.
24. 01:45Weswegen es auch zum Teil einfach so beliebt ist, wie einfach es für uns ganz simpel
25. 01:49wiederverwenden können.
26. 01:50Und diese Funktion, die wir da von Pandas brauchen, heißt get dummies, also dummy values.
27. 01:56Genau damit können wir unsere Daten genau in das one-hot encoding transformieren.
28. 02:02Es geht auch eigentlich immer wahnsinnig schnell.
29. 02:07Genau, schauen wir uns es einfach einmal an, wie es jetzt aussieht.
30. 02:10Also wir hatten vorher das Attribut Ocean Proximity, und wir hatten dafür noch vier
31. 02:17Ausprägungen, nämlich unter einer Stunde zum Ocean, Inland, near Bay und near Ocean.
32. 02:23Und jetzt haben wir eben nicht mehr in diese Kategorie, sondern wir haben jetzt vier Attribute.
33. 02:27Und die jeweils einfach binär dargestellt werden.
34. 02:30Also 1 steht für ja, der Wert kommt vor und 0 steht für nein, der Wert kommt nicht vor.
35. 02:37Genau, damit kann unser KI-Modell dann später gut arbeiten.
36. 02:43Was wird jetzt noch machen müssen ist diesen Data Frame, also unsere Datenstruktur so aufbereiten,
37. 02:49beziehungsweise uns davon so zu bedienen, dass wir eben Eingabedaten und Zieldaten
38. 02:55extrahieren können, also wir wollen ja unser Modell auf etwas trainieren, damit es gut lernen kann.
39. 03:00Das können wir ganz einfach machen, indem wir uns auch hier wieder eine sehr simple Hilfsfunktion
40. 03:04schreiben, die letztendlich aus unserem Dataframe in die Eingabematrix das gibt, was wir kennen.
41. 03:12Also das, worauf wir das Modell trainieren wollen.
42. 03:14Und das ist letztendlich alles bis auf den median house value, weil
43. 03:17das ist genau das, was wir prognostizieren wollen. Und als Zielvektor, also das, was wir dem Modell
44. 03:25mitgeben, aber was es zu Laufzeit dann nicht mehr bekommen wird, sondern nur für die Trainingsdaten
45. 03:29kennt, sind die tatsächlichen median house values, also das, worauf das Modell lernt, unsere Labels.
46. 03:37Und diese Funktion definieren wir für uns.
47. 03:39wenden sie dann anschließend auf unseren Daten an.
48. 03:43Ja, haben jetzt also Eingabematrix und Ziel-Vektoren sowohl für Trainingsausfälle als auch für Testfälle.
49. 03:51Und sind jetzt so weit, dass wir endlich unser erstes KI-Modell bauen können.
50. 03:55Und das machen wir jetzt auch.
51. 03:58Und mehr als das braucht es tatsächlich sogar gar nicht.
52. 04:01Das heißt, wenn wir das Ausführen, haben wir gerade in diesem Moment unser erstes KI-Modell
53. 04:09für diesen Kurs gebaut und auch schon trainiert.
54. 04:11Also ging jetzt wirklich sehr einfach, und wir können dieses Modell jetzt verwenden
55. 04:18für Prognosen. Natürlich kann man jetzt auch noch hier verschiedene andere Sachen machen.
56. 04:22Also es gibt noch andere Modelle oder Hyper Parameter, aber an und für sich wäre das jetzt
57. 04:28beispielsweise ein nutzbares Machine Learning Modell.
58. 04:31Was wir einfach noch mal betonen möchten ist halt eben, dass es in so einem
59. 04:36KI-Projekt halt oft einfach darauf ankommt, dass man die Daten gut versteht.
60. 04:39Auch wenn es irgendwie ein hochmoderner KI-Algorithmus ist, also auch ein
61. 04:43künstliches neuronales Netz, man sollte eigentlich nie einfach nur ohne sich die Daten
62. 04:48angeschaut zu haben dieses Modell beliefern und darauf trainieren und das letztendlich dieses
63. 04:55Training oftmals relativ schnell gemacht ist.
64. 04:56Aber einfach wenn man weiß, was die Daten für Muster ungefähr haben man ein ungefähres
65. 05:01Verständnis hat, meistens man viel besser tatsächlich mit den Modellen arbeiten kann.
66. 05:05Und wir werden uns auch noch verschiedene andere Modelle im Kurs anschauen.
67. 05:09Also da keine Sorge, wir werden dann noch die ganze Bandbreite uns einmal anschauen.
68. 05:14Aber jetzt für dieses erste Projekt haben wir uns einfach dafür entschieden, jetzt einmal ein
69. 05:18simples Modell zu verwenden und schauen uns dann einem späteren Verlauf weitere Modelle an.
70. 05:23Genau, und jetzt wollen wir dann im nächsten Video einmal anschauen, wie gut dieses Modell dann
71. 05:29letztendlich performt und ob wir es denn nun nutzen wollen oder theoretisch noch mal weiter
72. 05:35auf unseren Daten arbeiten müssten.
73. 05:36Das schauen wir uns im nächsten Video an.

To enable the transcript, please select a language in the video player settings menu.