1 - Erläutern Sie den Begriff „Künstliche Intelligenz“ im Allgemeinen und vor dem Hintergrund von Machine Learning und Deep Learning.
KI ist der Oberbegriff; Machine Learning ist ein Teilgebiet der KI, Deep Learning ein Teilgebiet von ML.
• KI: jede Technik, die Computern ermöglicht, menschliches Verhalten nachzuahmen
• ML: Fähigkeit zu lernen, ohne explizit programmiert zu werden (Samuel 1959); nach ISO: Modellparameter so optimieren, dass das Verhalten die Daten widerspiegelt
• DL: Muster aus Daten mit neuronalen Netzen extrahieren
• ML ist bei gleicher Datenmenge oft besser als DL, bis das Plateau erreicht ist
2 - Welche Lernarten gibt es und wie werden diese unterschieden?
Es gibt drei Lernarten – Sie unterscheiden sich darin, was zu den Daten gegeben ist.
• Supervised (überwacht): zu jedem xi ist ein Wert yi = f(xi) gegeben; gesucht ist y für ein neues x (Regression: kontinuierlich, Klassifikation: diskret) - FUNKTION UNBEKANNT
• Unsupervised (unüberwacht): nur x gegeben; gesucht sind interessante Strukturen in den Daten - z.B: CLUSTERING
• Reinforcement (bestärkend): Resultate des Modells werden als Belohnung und Bestrafung iterativ zurückgespeist (Agent ↔ Umgebung) -> f(x) möglichst gut approximieren mit Daten
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 13, 15, 21, 23
3 - Geben Sie Beispiele für Supervised, Unsupervised und Reinforcement Learning. Worin unterscheiden sich diese?
Supervised lernt aus gelabelten Daten, Unsupervised findet Strukturen ohne Labels, Reinforcement lernt über Belohnung und Bestrafung.
• Supervised: Bildklassifizierung, Objekterkennung, Sprachübersetzung, Spam-Erkennung; Prognosen wie Wetter oder Nachfrage (Regression)
• Unsupervised: Clusteranalyse (Kundensegmentierung, Empfehlungssysteme), Dimensionsreduktion
• Reinforcement: autonomes Fahren, Robotics, Spiel-KI, Verkehrssteuerung, Materialmodellkalibrieren
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 13, 16–18, 22–24
4 - Welche Daten und Ziele liegen Klassifikation und Clustering zugrunde?
Klassifikation nutzt gelabelte Daten und sagt eine Klasse voraus; Clustering nutzt ungelabelte Daten und sucht Gruppen.
• Daten: Paare (x, y) mit diskretem y ∈ {1,…,C} ↔ nur x
• Ziel: y für ein neues x bestimmen ↔ potentielle Cluster (zusammenhängende Gruppen) finden
• Lernart: Supervised ↔ Unsupervised
• Kurzform: X → Y ↔ X → ?
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 15, 22; 5_Clustering_2026.pdf, Folie 9
5 - Woran erkennen Sie Overfitting? Wie verhindern Sie Overfitting?
Overfitting: Das Modell erzielt auf den Trainingsdaten sehr gute Ergebnisse, verallgemeinert aber sehr schlecht.
• bildlich: Auswendiglernen der Trainingsdaten
• erkennen: Daten in Training, Validation und Test Set teilen – gesucht ist das Modell, das auf den Testdaten gute Ergebnisse erzielt
• verhindern: ausreichende Stichprobengröße
• verhindern: Kreuzvalidierung (k-Fold)
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 24, 25
6 - Was steckt hinter dem aktuellen KI-Hype?
Hinter dem Hype stecken rasante Fortschritte, vor allem bei Deep Learning und Sprachmodellen – aber auch viel Spekulation.
• Deep-Learning-Durchbrüche treiben den KI-Boom (ab ca. 2010)
• Sprachmodelle (GPT und Co) entwickeln sich rasant; NVIDIA wird wertvollstes Unternehmen, GPUs sind vergriffen
• Spekulation um Singularität und Agenten; Narrow AI vs. AGI
• viele Schlagzeilen sind mehr „Fiction“ als „Science“
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 3, 5, 9, 11
7 - Wie funktioniert ein Empfehlungssystem?
Ein Empfehlungssystem gibt jedem Nutzer individuelle Empfehlungen auf Basis der Daten aller Nutzer (Grundgesamtheit).
• Verfahren aus dem Data-Mining
• unsupervised ML: braucht keine Labels oder Training
• lernender Prozess: zuverlässiger mit wachsender Datenbasis
• nutzt zusätzlich Kontextinformationen (explizit und implizit)
• Methode auf den Folien: kollaboratives Filtern
Quelle: 2_Einleitung ML und RS_2026.pdf, Folie 30
8 - Was ist kollaboratives Filtern und wie funktioniert es?
Kollaboratives Filtern gibt Empfehlungen auf Basis einer gemeinsamen Historie vieler Nutzer.
• user based: Ein Nutzer verhält sich wie vergleichbare Nutzer → Präferenzen äußern, vergleichbare Nutzer suchen, gefilterte Untermenge vorhersagen, empfehlen
• item based: Interesse an Objekten mit ähnlichen Attributen → Ähnlichkeitsmatrix der Artikel bestimmen, „ähnliche“ Artikel vorschlagen
• Beispiel item based: „Das könnte Sie auch interessieren“ (Amazon)
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 29, 32
9 - Aus welchen Quellen stammen Nutzerdaten (explizit vs. implizit)?
Nutzerdaten stammen aus expliziten und impliziten Quellen.
• explizit: Tags in Videos; Nutzerdaten wie Alter, Geschlecht, Standort; technische Infos wie Endgerät, Browser, Betriebssystem
• implizit: zuvor gekaufte Produkte; Kritik an Empfehlungen („War dieser Vorschlag hilfreich?“); Verweildauer, Watchtime, „Gefällt mir“-Angaben, Abonnements
10 - Welche Varianten des kollaborativen Filterns gibt es?
Es gibt vier Varianten: memory-based, model-based, hybrid und Deep Learning.
• Memory-based (Neighborhood-based): ad hoc auf gespeicherten Daten
• Model-based: beruht auf einem vorher trainierten Modell, z. B. Clustering
• Hybrid: situationsabhängiges Zusammenspiel der beiden
• Deep Learning: Einsatz neuronaler Netze
Quelle: 2_Einleitung ML und RS_2026.pdf, Folie 29
11 - Welche Probleme entstehen beim Einsatz von kollaborativem Filtern?
Probleme entstehen durch fehlende oder dünne Daten und durch schwer vorhersagbare oder manipulierende Nutzer.
• Neukunde: Neuen Kunden fehlt Bewertungsgrundlage
• Data Sparsity: wenig Daten
• Grey Sheep: inkonsistente Präferenz; Black Sheep: keine erkennbare Präferenzen
Quelle: 2_Einleitung ML und RS_2026.pdf, Folie 31
12 - Warum sind die Vorschläge von YouTube immer so interessant?
12 - Weil der Algorithmus aus dem eigenen Verhalten lernt und ähnliche Inhalte vorschlägt.
• Beispiel: anonymes Fenster nach 1 Stunde Katzenvideos → überwiegend Tier- und Katzenvideos
• implizite Daten: Watchtime, Verweildauer, „Gefällt mir“, Abos
• kollaboratives Filtern: Nutzer verhält sich wie vergleichbare Nutzer
• Kehrseite: Blasenbildung (Long Tail)
Quelle: 2_Einleitung ML und RS_2026.pdf, Folien 29–31, 35
13 - Grenzen Sie die Begriffe Datenfitting und Overfitting voneinander ab.
Datenfitting passt ein Modell an Daten an („Lernen“);
Overfitting heißt, das Modell passt auf die Trainingsdaten sehr gut, verallgemeinert aber sehr schlecht.
Quelle: 1_Introduction.pdf, Folien 12, 17; 2_Einleitung ML und RS_2026.pdf, Folien 7, 24
14 - Was ist Kreuzvalidierung?
Kreuzvalidierung ist die Suche nach dem Validierungs-Set, z. B. per k-Fold Cross Validation.
-> Ich wechsle die Daten für Training und Test durch 1. Runde Fold 1 als validierung, 2. Runde Fold 2 als validierung
Quelle: 2_Einleitung ML und RS_2026.pdf, Folie 25
15 - Erläutern Sie, wodurch sich Big Data auszeichnet.
Big Data = die riesige, wachsende Datenmenge: viel Information, aber wenig Wissen.
(viel ungelabled)
Quelle: 2_Einleitung ML und RS_2026.pdf, Folie 8
Zuletzt geändertvor 5 Tagen
