Referenz

Ein Nachschlagewerk für die Klassen und Konzepte dieses Lernpfads.

Datenpunkt

public class Datenpunkt {
    private double gewicht;
    private double suessigkeit;
    private String label;
 
    public Datenpunkt(double pGewicht, double pSuessigkeit, String pLabel) { ... }
    public double gibGewicht() { ... }
    public double gibSuessigkeit() { ... }
    public String gibName() { ... }
    public double distanzZu(Datenpunkt pOther) { ... }
    public void schreibe() { ... }
}

Methode	Wirkung
`distanzZu(pOther)`	Euklidische Distanz zu einem anderen Datenpunkt
`schreibe()`	Gibt Gewicht, Süßigkeit und Label auf einer Zeile aus

KNNKlassifikator

KNNKlassifikator knn = new KNNKlassifikator(training);
String label = knn.klassifiziere(testPunkt, 3);

Methode	Wirkung
`klassifiziere(pPunkt, pK)`	Klassifiziert den Punkt nach den k nächsten Nachbarn

KMeans

KMeans kmeans = new KMeans(punkte, 3);
kmeans.trainiere(10);
int cluster = kmeans.clusterVon(i);
Datenpunkt zentroid = kmeans.schwerpunkt(c);

Methode	Wirkung
`trainiere(pMaxIterationen)`	Führt k-Means iterativ aus
`clusterVon(pIndex)`	Gibt die Cluster-Zugehörigkeit eines Punkts zurück
`schwerpunkt(pCluster)`	Gibt den Zentroiden eines Clusters zurück

Neuron

Neuron n = new Neuron(2, new Sigmoid());
n.setzeGewicht(0, 0.5);
n.setzeBias(0.1);
double ausgabe = n.berechne(eingabe);

Methode	Wirkung
`setzeGewicht(pIndex, pWert)`	Setzt ein Gewicht
`setzeBias(pWert)`	Setzt den Bias
`berechne(pEingabe)`	Berechnet die Ausgabe (Summe + Aktivierung)

Schicht

Schicht s = new Schicht(3, 2, new Sigmoid());
s.setzeGewicht(0, 0, 0.5);
s.setzeBias(0, 0.1);
double[] ausgabe = s.berechne(eingabe);

Methode	Wirkung
`setzeGewicht(pNeuron, pEingabe, pWert)`	Setzt ein Gewicht eines Neurons
`setzeBias(pNeuron, pWert)`	Setzt den Bias eines Neurons
`berechne(pEingabe)`	Berechnet alle Ausgaben der Schicht
`anzahlNeuronen()`	Gibt die Anzahl der Neuronen zurück

Netz

Netz netz = new Netz(new int[]{2, 3, 1}, new Sigmoid());
netz.setzeGewicht(1, 0, 0, 0.5);
netz.setzeBias(1, 0, 0.1);
double[] ausgabe = netz.berechne(eingabe);

Methode	Wirkung
`setzeGewicht(pSchicht, pNeuron, pEingabe, pWert)`	Setzt ein Gewicht
`setzeBias(pSchicht, pNeuron, pWert)`	Setzt einen Bias
`berechne(pEingabe)`	Forward Propagation durch das gesamte Netz

Aktivierungsfunktionen

public interface Aktivierung {
    double aktiviere(double pWert);
}
 
public class Sigmoid implements Aktivierung {
    public double aktiviere(double pWert) {
        return 1.0 / (1.0 + Math.exp(-pWert));
    }
}
 
public class ReLU implements Aktivierung {
    public double aktiviere(double pWert) {
        if (pWert < 0) {
            return 0.0;
        }
        return pWert;
    }
}

Funktion	Bereich	Eigenschaft
Sigmoid	(0, 1)	Glatt, gut für Wahrscheinlichkeiten
ReLU	[0, ∞)	Einfach, schnell, schneidet Negatives ab

BigrammModell

BigrammModell modell = new BigrammModell();
modell.trainiere(korpus);
String text = modell.erzeugeText("die", 12);

Methode	Wirkung
`trainiere(pKorpus)`	Zählt alle Bigramme im Korpus
`erzeugeText(pStart, pLaenge)`	Erzeugt Text durch zufällige Auswahl nach Wahrscheinlichkeit

Bewertungskriterien

Kriterium	Formel	Bedeutung
Trefferquote	richtig / alle	Anteil korrekter Vorhersagen
Präzision	TP / (TP + FP)	Zuverlässigkeit der positiven Vorhersagen
Spezifität	TN / (TN + FP)	Korrekte Erkennung der negativen Fälle
Bias	—	Systematische Verzerrung durch unrepräsentative Daten
Überanpassung	—	Modell zu komplex; gut auf Trainingsdaten, schlecht auf Testdaten
Unteranpassung	—	Modell zu einfach; schlecht auf beide