Python & KI Folge 13: Lineare Regression

🐍 Python & KI Folge 13: Lineare Regression Nachdem wir in Folge 12 unseren Entscheidungsbaum in eine ordentliche Klasse gepackt haben, wechseln wir diesmal das Thema komplett: Zum ersten Mal soll unser Algorithmus keine Klasse vorhersagen (ja/nein, Katze/Hund), sondern eine echte Zahl – den Mietpreis einer Wohnung anhand ihrer Wohnfläche. Das lernst du in dieser Folge: ✅ Warum die lineare Regression eine Gerade sucht, die möglichst gut zu den Trainingsdaten passt ✅ Wie der mittlere quadratische Fehler (MSE) misst, wie gut oder schlecht diese Gerade gerade ist ✅ Wie Gradientenabstieg – dasselbe Werkzeug, das schon unser neuronales Netz trainiert hat – Schritt für Schritt die passende Steigung und den passenden Achsenabschnitt findet ✅ Wie man die Ableitung der Fehlerfunktion von Hand nachvollzieht und direkt in Code gießt Das Besondere an dieser Folge: Wir sehen, dass Gradientenabstieg kein Trick ist, der nur für neuronale Netze funktioniert, sondern ein universelles Werkzeug für ganz unterschiedliche Algorithmen. Die lineare Regression ist dabei der denkbar einfachste Einstieg – nur zwei Zahlen, die gelernt werden müssen, und trotzdem lässt sich daran jeder einzelne Rechenschritt live mitverfolgen. 👉 Nächste Folge: Mit der logistischen Regression kombinieren wir beide Welten – ein Algorithmus, der wieder Klassen vorhersagt, aber genauso per Gradientenabstieg trainiert wird wie die Gerade aus dieser Folge. Den kompletten Code aus jeder Folge und alle PowerPoint-Folien findest du gesammelt auf GitHub: https://github.com/itleicht/IT-Leicht... #Python #KI # LineareRegression #ProgrammierenLernen #ITleichtgemacht #MachineLearning ##code #coden #neuron #neuralnetworks #neuronalenetze