Praxis — Klausur-Aufgaben

1. 1) Paradigma erkennen. Netflix gruppiert Filme nach Ähnlichkeit ohne vorgegebene Genres.
   Lösung: Unsupervised Learning, konkret Clustering.
2. 2) Train/Test-Split. Du hast 10.000 Datenpunkte. Wie aufteilen?
   Lösung: 80/20 oder 70/15/15 (Train/Validation/Test). Stratified Split bei unbalancierten Klassen.
3. 3) Confusion Matrix lesen. Bei 100 Mails: TP=40, TN=50, FP=5, FN=5. Berechne Accuracy, Precision, Recall.
   Lösung: Acc = 90%, Precision = 40/45 = 89%, Recall = 40/45 = 89%, F1 = 89%.
4. 4) Overfitting beheben. Train-Acc 99 %, Test-Acc 70 %. Was tun?
   Lösung: Mehr Daten, Regularisierung (L1/L2), Dropout, einfachere Modellklasse, Early Stopping, Cross-Validation.
5. 5) Algorithmus wählen. Tabelle mit 50 Features, 100k Datensätzen, binäre Klassifikation.
   Lösung: XGBoost oder LightGBM. Standardwahl 2026 für tabular data.
6. 6) Reinforcement-Beispiel. Agent lernt Schach. Was ist State, Action, Reward?
   Lösung: State = Brettstellung, Action = legaler Zug, Reward = +1 für Gewinn, -1 für Niederlage, 0 für Remis.
7. 7) Bias-Variance-Diagnose. Train-Acc 65%, Test-Acc 64%. Diagnose?
   Lösung: High Bias (Underfitting). Modell zu einfach. Komplexeres Modell, mehr Features, weniger Regularisierung.