Programmieren für KI

Warum eine eigene Umgebung je Projekt (venv)?

Damit Paketversionen sich nicht zwischen Projekten in die Quere kommen – jedes Projekt bekommt seinen eigenen, reproduzierbaren Satz Bibliotheken.

Was gehört in die requirements.txt?

Jedes Paket mit fester Version, damit ein Kollege oder Server exakt dieselbe Umgebung aufbauen kann.

Notebook oder Skript?

Notebook zum Erkunden und Ausprobieren, Skript für alles, das wiederholbar laufen soll – Ergebnisse aus Notebooks wandern in Skripte.

Liste oder Dictionary – wann was?

Liste für geordnete Reihen gleichartiger Dinge, Dictionary für Zuordnungen mit Schlüssel (Name → Wert).

Was macht eine Funktion wertvoll?

Sie tut genau eine Sache, hat einen sprechenden Namen und gibt ein Ergebnis zurück, statt nebenbei etwas zu verändern.

Warum List Comprehensions?

Kurz und lesbar für Filtern und Umformen – eine Zeile statt einer Schleife mit Zwischenvariablen.

Was ist ein DataFrame?

Eine Tabelle im Speicher mit benannten Spalten – das Arbeitspferd von pandas für Laden, Filtern, Gruppieren.

Erster Schritt nach dem Laden?

Anschauen: head(), info(), describe() – Datentypen, fehlende Werte und Ausreißer erkennen, bevor man rechnet.

Wie mit fehlenden Werten umgehen?

Bewusst entscheiden: löschen, füllen (Mittelwert, Median) oder als eigenes Merkmal behalten – nie stillschweigend ignorieren.

Warum NumPy statt Python-Listen?

Rechnet auf ganzen Arrays gleichzeitig (vektorisiert) und ist dadurch um Größenordnungen schneller als Schleifen.

Was bedeutet Broadcasting?

NumPy dehnt kleinere Arrays automatisch auf die Form größerer – etwa ein Vektor minus ein Skalar für jedes Element.

Was ist die shape eines Arrays?

Seine Abmessungen, z. B. (1000, 5) = 1000 Zeilen mit 5 Merkmalen – die erste Frage bei jedem Fehler.

Die drei Schritte mit scikit-learn?

Modell anlegen, fit() mit Trainingsdaten, predict() für neue Daten – dieselbe Schnittstelle für fast alle Modelle.

Warum Trainings- und Testdaten trennen?

Nur auf ungesehenen Daten zeigt sich, ob das Modell gelernt oder nur auswendig gelernt hat.

Was sind Merkmale (Features) und Ziel (Target)?

Merkmale sind die Eingaben (X), das Ziel ist, was vorhergesagt wird (y) – etwa Preis aus Fläche und Lage.

Was heißt Überanpassung (Overfitting)?

Das Modell passt sich den Trainingsdaten samt Zufall an – gut im Training, schlecht bei neuen Daten.

Warum reicht Genauigkeit allein nicht?

Bei ungleichen Klassen täuscht sie: 95 % richtig kann heißen, das Modell sagt immer „nein“. Präzision und Trefferquote ergänzen.

Was bringt Kreuzvalidierung?

Mehrere Trainings-/Test-Aufteilungen nacheinander – das Ergebnis hängt nicht vom Zufall einer einzigen Aufteilung ab.

Warum Code in Module aufteilen?

Laden, Aufbereiten, Trainieren, Bewerten getrennt – jeder Teil ist einzeln testbar und wiederverwendbar.

Was testet man bei Datencode?

Die Aufbereitung: Bekannte Eingabe → erwartete Ausgabe, fehlende Werte, Ausreißer. Nicht das Modell selbst.

Wozu Git bei KI-Projekten?

Jeder Stand ist wiederherstellbar; mit einem Commit je Experiment weiß man, welche Änderung welches Ergebnis brachte.