Vorhersage der akademischen Leistung von Studentinnen und Studenten

In diesem Abschnitt möchten wir uns den Prozess der Erstellung von Modellen für überwachtes Lernen ansehen. Forschende und Entwickelnde erstellen Vorhersagemodelle nach einem Prozess, den wir in der Regel als Data Science Lifecycle bezeichnen:

In Online-Kursen profitieren Lehrkräfte von überwachten maschinellen Lernmodellen, die die Daten der Schüler und Schülerinnen nutzen, um ihre akademische Leistung vorherzusagen. Auf diese Weise können Lehrkräfte eingreifen und verhindern, dass Schüler und Schülerinnen den Kurs abbrechen oder durchfallen.

!   Nutzen wir den Ansatz des überwachten Lernens und erstellen wir ein Modell zur Vorhersage der akademischen Leistung von SchülerInnen. Möchten Sie diesen Prozess erleben und gleichzeitig die Umsetzung in Python sehen?
Öffnen Sie das folgende Google Colab und gehen Sie zur nächsten Seite ("a. Fragestellung formulieren"). Folgen Sie den nächsten Seiten Schritt für Schritt, mit dem Google Colab parallel geöffnet.

Hinweis: Zum Verständnis des Moduls und zum Beantworten der Quizzes ist es nicht zwingend notwendig sich mit dem Quellcode auf der Google Colab Seite auseinanderzusetzen oder die Trainingsdaten dort hochzuladen. Sie können die Google Colab Seite über den Link öffnen und finden dort bereits alle nötigen Informationen angezeigt, auch wenn Sie die Code-Zellen nicht ausführen.
Allerdings kann das Durchgehen des Codes zu einem tieferen Verständnis dafür führen, wie überwachtes Lernen funktioniert und wie ein Machine-Learning-Modell mit Python erstellt wird. Es bietet zudem Einblicke in die praktische Anwendung überwachter Machine-Learning-Modelle in der realen Welt!

Tipp: Moodle + Colab gleizeichtig bearbeiten

Für normale Bildschirme: Öffnen Sie Google Colab und Moodle in zwei separaten Browserfenstern. Verwenden Sie „Alt+Tab“ (Windows) bzw. „Command+Tab“ (Mac), um zwischen den Fenstern zu wechseln.

Für große Bildschirme: Öffnen Sie Fenster parallel, damit es so aussieht.