Across Domains

Überwachtes Lernen "Across Domains"

 

Überwachte Lernmodelle werden eingesetzt, um Fachleute aus verschiedenen Bereichen bei der Ausführung verschiedener Aufgaben zu unterstützen.

Wählen Sie im Folgenden den Bereich aus, der Ihrem Fachgebiet am nächsten liegt, und entdecken Sie verschiedene Aufgaben, bei denen überwachtes Lernen sinnvoll eingesetzt werden kann.

 

Medizin
 

 

Der Ansatz des überwachten Lernens findet im medizinischen Bereich zunehmend Anwendung. Im Folgenden werden einige Beispiele gezeigt, wie überwachtes Lernen in medizinischen Zusammenhängen eingesetzt werden kann.


Wie kann ich die für meine PatientInnen am besten geeignete Arzneimitteldosis vorhersagen?
Für medizinisches Fachpersonal kann es schwierig sein, die richtige Arzneimitteldosis für einen bestimmten Patienten oder Patientin vorherzusagen. In manchen Fällen kann eine falsche Dosierung verheerende Nebenwirkungen zur Folge haben.
 
In einigen Studien wurde der Einsatz von überwachtem Lernen zur Erstellung von prädiktiven Dosierungsmodellen untersucht, die medizinisches Fachpersonal bei der Entscheidungsfindung unterstützen können. So entwickelten beispielsweise Ahn et al. Modelle zur Vorhersage der Warfarin-Dosis unter Verwendung überwachter Lerntechniken, um medizinisches Fachpersonal bei der Bestimmung der entsprechenden Dosierung zu unterstützen.


Wie kann ich Krankheiten bei PatientInnen rechtzeitig vorhersagen?

Dies ist ein weiteres Beispiel: Manche Krankheiten sind besonders gefährlich und erfordern ein sehr frühes Eingreifen. Deshalb ist die frühzeitige Erkennung und Diagnose einer bestimmten Erkrankung entscheidend, um eine Verschlechterung des Gesundheitszustands der Patientinnen und Patienten zu verhindern.

 

Dies ist eine Herausforderung, bei der überwachtes Lernen eingesetzt werden kann, um Fachkräfte im Gesundheitswesen bei der frühzeitigen Erkennung von Krankheiten zu unterstützen – also als klinische Entscheidungsunterstützung. Dafür können Informationen über frühere Patientinnen und Patienten genutzt werden, um Vorhersagemodelle zu entwickeln, die helfen, die Wahrscheinlichkeit einer Erkrankung oder einer schwerwiegenden gesundheitlichen Verschlechterung einzuschätzen.

 

Ein Beispiel dafür ist das Modell von Menni et al., das auf Basis von App-Daten – insbesondere der von Nutzenden gemeldeten Symptome – vorhersagen kann, ob eine COVID-19-Erkrankung vorliegt. Kim, Cho und Oh entwickelten ein weiteres Modell, das medizinisches Fachpersonal bei der Diagnose von Glaukomen unterstützt, basierend auf Patienteninformationen wie Alter, Augeninnendruck, Hornhautdicke und weiteren Merkmalen.

 

Letzte Gedanken

Der Einsatz von KI-Systemen in der klinischen Routineversorgung stellt heute eine wichtige, aber noch weitgehend ungenutzte Chance dar, da die medizinische KI-Gemeinschaft die komplexen ethischen, technischen und auf den Menschen ausgerichteten Herausforderungen meistern muss, die für eine sichere und effektive Nutzung erforderlich sind (Rajpurkar et al., 2022). Die hier gezeigten Beispiele sollten von Ärzten und Ärztinnen und Patienten und Patientinnen NICHT für Behandlungsentscheidungen herangezogen werden, da es sich um reine Bildungs- und Forschungsressourcen handelt.

LITERATURHINWEISE
  • Rajpurkar, P., E. Chen, O. Banerjee, and E.J. Topol. “AI in Health and Medicine.” Nature Medicine 28, no. 1 (2022): 31–38. https://doi.org/10.1038/s41591-021-01614-0.
  • Roy, S., T. Meena, and S.-J. Lim. “Demystifying Supervised Learning in Healthcare 4.0: A New Reality of Transforming Diagnostic Medicine.” Diagnostics 12, no. 10 (2022). https://doi.org/10.3390/diagnostics12102549.
  • Menni, Cristina, Ana M. Valdes, Maxim B. Freidin, Carole H. Sudre, Long H. Nguyen, David A. Drew, Sajaysurya Ganesh, et al. “Real-Time Tracking of Self-Reported Symptoms to Predict Potential COVID-19.” Nature Medicine 26, no. 7 (July 2020): 1037–40. https://doi.org/10.1038/s41591-020-0916-2.
  • Kim, Seong Jae, Kyong Jin Cho, and Sejong Oh. “Development of Machine Learning Models for Diagnosis of Glaucoma.” PLOS ONE 12, no. 5 (May 23, 2017): e0177726. https://doi.org/10.1371/journal.pone.0177726.
  • Ahn, S. “Building and Analyzing Machine Learning-Based Warfarin Dose Prediction Models Using Scikit-Learn.” Translational and Clinical Pharmacology 30, no. 4 (2022): 172–81. https://doi.org/10.12793/tcp.2022.30.e22.
 
Biologie

 

Überwachtes Lernen wird zunehmend auch im biologischen Bereich eingesetzt. Unten sehen wir ein Beispiel dafür, wie dieser Ansatz in einem biologischen Kontext angewendet wird.
 
Wie können wir vorhersagen, ob ein neuartiges Medikament an ein Protein bindet?

Viele Forschungsprojekte in der Biologie verfolgen das Ziel, wirksame Medikamente für bisher schwer behandelbare Krankheiten zu entwickeln. Da Proteine eine zentrale Rolle in biologischen Prozessen spielen, konzentriert sich die Medikamentenentwicklung häufig auf deren gezielte Beeinflussung – besonders bei seltenen Erkrankungen, bei denen ein bestimmtes Protein für den zugrunde liegenden biologischen Prozess verantwortlich ist. Die experimentelle Isolierung von Proteinen, um ihre Bindungsfähigkeit an ein potenzielles Medikament zu messen, ist jedoch zeitaufwendig, da es meist eine Vielzahl möglicher Kandidaten gibt.

 

Aus der Vielzahl bekannter Medikamente, die mit bestimmten Proteinen interagieren, lässt sich ein maschinelles Lernmodell trainieren, das die Bindungsstärke eines neuen Medikament-Protein-Paares vorhersagen kann – ein Problem, das unter dem Begriff Drug-Target Interaction (DTI) bekannt ist. Kommt Ihnen das bekannt vor? Genau hier kann überwachtes Lernen seine Stärken ausspielen: Es nutzt umfangreiche Datenbanken zu Proteinen und Medikamenten, um den Prozess der Medikamentenentwicklung zu unterstützen.

Die zentrale Herausforderung besteht darin, geeignete Merkmale für die Vorhersage zu definieren. Guvenilir et al. entwickelten beispielsweise Vorhersagemodelle auf Basis unterschiedlicher Proteinmerkmale und verglichen deren Leistungsfähigkeit. Ein einfaches Merkmal war die Aminosäurezusammensetzung, bei der der Anteil jeder Aminosäure separat berechnet wurde – daneben kamen aber auch komplexere Merkmalsdarstellungen zum Einsatz.

Die Gestaltung und Auswahl der richtigen Merkmale ist ein entscheidender Schritt in der Entwicklung von KI-Modellen – und genau hier ist das Fachwissen von Expertinnen und Experten wie Ihnen besonders gefragt.


 
Wie können wir die Struktur eines Proteins aus seinen Sequenzen vorhersagen?

Die 3D-Konformation der Aminosäuren und ihrer funktionellen Gruppen spielt eine zentrale Rolle bei der Bestimmung der Aktivität des Proteins. Es liegt auf der Hand, dass das Wissen um die Struktur des Proteins der Schlüssel zu den genauesten Vorhersagen der Protein-Medikamenten-Aktivität ist.

Da es weitaus mehr bekannte Proteinsequenzen als deren Strukturen gibt, wurden internationale Wettbewerbe ins Leben gerufen, um rechnerische Vorhersagemethoden zu testen, genannt CASP (Critical Assessment of Structure Prediction), mit dem Ziel, diese Informationslücke zwischen Sequenz und Struktur zu schließen.

Während es immer spannend ist, neue Ansätze zu verfolgen, die im Rahmen von CASP vorgestellt werden, möchten wir hier AlphaFold hervorheben – ein System, das 2020 überraschend als Sieger aus dem Wettbewerb hervorging und seine Vorhersagegenauigkeit bis 2022 nahezu perfektionierte. Wie viele andere Teilnehmende nutzte AlphaFold überwachtes Lernen – allerdings nicht direkt zur Vorhersage von Sequenz-Struktur-Beziehungen. Stattdessen wurde zunächst die Beziehung zwischen Sequenzen analysiert, um evolutionär verwandte Sequenzen mit bekannten Strukturen zu identifizieren. Dieses Vorgehen zeigt einmal mehr, wie wertvoll es sein kann, unterschiedliche Datenquellen zu kombinieren, um genauere Vorhersagen zu ermöglichen. Für diesen Durchbruch wurde AlphaFold im Jahr 2024 mit dem Nobelpreis für Chemie ausgezeichnet.

 
Abschließende Gedanken

Das Leben ist ein komplexes Phänomen, das sich nicht allein durch einfache Zahlen erfassen lässt. Deshalb ist es besonders wichtig, sorgfältig zu entscheiden, was genau vorhergesagt werden soll und auf welche Informationen sich die Vorhersage stützen darf. Für die Entwicklung immer leistungsfähigerer KI-Modelle wird daher zunehmend fundiertes biologisches Wissen und menschliche Intuition benötigt. Wenn wir diese Modelle nutzen, um neue Erkenntnisse und ein tieferes Verständnis zu gewinnen, kommen wir dem Ziel näher, wirklich zu verstehen, wer wir sind – und wie das Leben funktioniert.

 
 
REFERENZEN
  1. Atas Guvenilir, H., Doğan, T. How to approach machine learning-based prediction of drug/compound–target interactions. J Cheminform 15, 16 (2023). https://doi.org/10.1186/s13321-023-00689-w
  2. Thomas Luechtefeld, Dan Marsh, Craig Rowlands, Thomas Hartung, Machine Learning of Toxicological Big Data Enables Read-Across Structure Activity Relationships (RASAR) Outperforming Animal Test Reproducibility, Toxicological Sciences, Volume 165, Issue 1, September 2018, Pages 198–212, https://doi.org/10.1093/toxsci/kfy152
  3. Jumper, J., Evans, R., Pritzel, A. et al. Highly accurate protein structure prediction with AlphaFold. Nature 596, 583–589 (2021). https://doi.org/10.1038/s41586-021-03819-2
Chemie

 

Überwachtes Lernen werden zunehmend in der Chemie eingesetzt. Im Folgenden sehen wir einige Beispiele, wie diese Techniken in der chemischen Forschung angewendet werden.
 
Wie können wir die chemischen Eigenschaften einer Substanz aus anderen chemischen Eigenschaften vorhersagen?

Obwohl wir Eigenschaften experimentell messen können, erfordert dies manchmal mehr Budget und Zeit, als uns zur Verfügung steht. Daher versuchen Chemiker und Chemikerinnen, eine Frage zu beantworten, die als Quantitative Property-Property Relation (QPPR) bekannt ist.

Im Rahmen der QPPR werden numerische Beziehungen zwischen chemischen Eigenschaften identifiziert, die es ermöglichen, eine unbekannte Eigenschaft anhand anderer vorherzusagen. Dies erleichtert nicht nur den experimentellen Messprozess, sondern hilft uns auch, das „chemische“ Zusammenspiel hinter diesen Eigenschaften besser zu verstehen.


Wie können wir die chemischen Eigenschaften einer Substanz aus ihrer Struktur vorhersagen? 

Für QPPR müssen viele andere Eigenschaften gemessen werden, um eine Eigenschaft vorherzusagen. Ein erfahrener Chemiker oder Chemikerin kann eine Eigenschaft allein durch das Betrachten der Struktur qualitativ vorhersagen. Quantitative Structure-Activity Relation (QSAR)-Modelle zielen darauf ab, dies quantitativ zu leisten.

Wenn wir alle chemischen Eigenschaften allein aus der Struktur genau vorhersagen könnten, würde dies die chemische Forschung erheblich beschleunigen. Bis heute gibt es jedoch noch kein „perfektes“ QSAR-Modell, weshalb QSAR-Modelle ein aktives Forschungsgebiet bleiben. Aufgrund ihrer Vielseitigkeit in der chemischen Forschung versuchen viele Start-ups und Institutionen, bessere Lösungen für dieses Problem zu entwickeln.

Hier stellen wir ein Beispiel vor, das ausnahmsweise nicht hinter einer Paywall versteckt ist: OPERA, ein Open-Source-QSAR-Modell, das von K. Mansouri et al. entwickelt wurde. Es kann eine Vielzahl chemischer Eigenschaften, einschließlich des pH-Werts, vorhersagen. Überraschenderweise basiert dieses Modell hauptsächlich auf einem einfachen überwachten Lernalgorithmus namens k-nearest neighbours (KNN). OPERA verfügt über eine grafische Benutzeroberfläche (GUI), sodass es ohne Programmierkenntnisse verwendet werden kann – ein Beweis dafür, dass auch Menschen, die keine Programmierung lernen möchten, sich mit KI-Techniken vertraut machen sollten.

 

Abschließende Gedanken  

Beobachtungen und der Versuch, sie zu erklären, stehen seit jeher im Zentrum der Wissenschaft. Maschinelle Lernalgorithmen,einschließlich des Ansatzes des überwachten Lernens, sind zweifellos in der Lage, Muster zu erkennen und daraus präzise Vorhersagen abzuleiten. Es ist kein Wunder, dass sie immer häufiger in verschiedenen Bereichen der Naturwissenschaften eingesetzt werden. Wenn wir sie nicht nur zur Vorhersage, sondern auch zum Gewinnen von Erkenntnissen nutzen, können wir wertvolle Einblicke gewinnen, die unserem bloßen Auge bisher verborgen geblieben sind.



REFERENZEN
  1. L. Deborah et al. “A Gentle Introduction to Machine Learning for Chemists: An Undergraduate Workshop Using Python Notebooks for Visualization, Data Processing, Analysis, and Modeling.” Journal of Chemical Education 98, no. 9 (September 14, 2021): 2892–98. https://doi.org/10.1021/acs.jchemed.1c00142.
  2. DeJongh, J., Verhaar, H. & Hermens, J. A quantitative property-property relationship (QPPR) approach to estimate in vitro tissue-blood partition coefficients of organic chemicals in rats and humans. Arch Toxicol 72, 17–25 (1997). https://doi.org/10.1007/s002040050463
  3. Mansouri, K., Grulke, C.M., Judson, R.S. et al. OPERA models for predicting physicochemical properties and environmental fate endpoints. J Cheminform 10, 10 (2018). https://doi.org/10.1186/s13321-018-0263-1
 
Wirtschaftswissenschaften
 

 

Der Ansatz des überwachten Lernens findet auch im Bereich der Wirtschaftswissenschaften immer stärkere Verbreitung. Im folgenden Abschnitt betrachten wir einige Beispiele dafür, wie überwachtes Lernen in wirtschaftswissenschaftlichen Zusammenhängen eingesetzt wurde.

 
 

Wie kann sich überwachtes maschinelles Lernen auf den Kauf und Verkauf von Wertpapieren wie Aktien und Optionen auswirken?
Aktien- und Optionshandelnde verlassen sich bei der Analyse der Preise solcher Wertpapiere auf ihre Erfahrungen. Es erfordert viel Zeit und Mühe, die Fähigkeiten zu erlernen, um Muster auf dem Finanzmarkt zu erkennen. Ihre Schlussfolgerungen sind oft durch die Menge an Daten begrenzt, die Menschen verarbeiten können. Dies kann durch überwachtes Lernen überwunden werden.
 

Ähnlich wie erfahrene Händlerinnen und Händler lernt überwachtes maschinelles Lernen aus vergangenen Trends. Im Unterschied zum Menschen können Computer jedoch deutlich größere Datenmengen verarbeiten und auf dieser Basis Modelle mit höherer Genauigkeit erstellen. Dadurch lässt sich die Erfolgsquote im Wertpapierhandel deutlich steigern.

 

In der Studie von Bazrkar und Hosseini (2022) untersuchten die Autorinnen und Autoren den Einsatz verschiedener Techniken des maschinellen Lernens zur Vorhersage von Aktienkursen. Sie kamen zu dem Ergebnis, dass eine Support-Vector-Machine (SVM) mit einer Genauigkeit von über 90 % für diese Aufgabe eingesetzt werden kann.

 
 

Wie kann überwachtes maschinelles Lernen zur Aufdeckung von Betrug und Geldwäsche eingesetzt werden?

Betrügerische Versicherungsansprüche stellen ein erhebliches Problem für Versicherungsunternehmen dar. Die Identifikation solcher Fälle ist oft zeitaufwendig und arbeitsintensiv, da eine manuelle Prüfung jedes einzelnen Anspruchs sehr aufwendig ist. In solchen Situationen kann überwachtes Lernen als unterstützende Methode eingesetzt werden, um den Prüfprozess effizienter zu gestalten. In ihrer Studie von 2023 diskutieren Debener, Heinke und Kriebel den Einsatz von überwachten Lernverfahren zur Erkennung von Versicherungsbetrug.


Auch die Aufdeckung von Geldwäsche kann äußerst aufwendig sein. Angesichts der riesigen Menge an Finanztransaktionen ist es oft sehr schwierig, verdächtige Muster zu erkennen. In solchen Fällen kann überwachtes maschinelles Lernen wertvolle Unterstützung leisten. In ihrer Studie von 2023 beschreiben Alsuwailem, Salem und Saudagar den Einsatz von überwachten Lernverfahren zur Aufdeckung von Geldwäsche in Saudi-Arabien. Die dortige Financial Intelligence Unit hat überwachtes Lernen erfolgreich genutzt, um Finanzverbrechen mit einer Genauigkeit von bis zu 93 % zu erkennen und zu bekämpfen.

 
 
Wie kann eine Rezession mit überwachtem maschinellem Lernen vorhergesagt werden? 

Eine Rezession kann schwerwiegende Auswirkungen auf jede Volkswirtschaft haben. Sie führt oft zu Arbeitslosigkeit und Inflation – beides Faktoren, die den Lebensstandard der Bevölkerung erheblich beeinträchtigen. Allerdings ist das Eintreten einer Rezession nur schwer vorherzusagen.

In solchen Fällen kann überwachtes Lernen unterstützend eingesetzt werden. Algorithmen für überwachtes Lernen können Daten vergangener Rezessionen analysieren, um Modelle zur Vorhersage zukünftiger wirtschaftlicher Abschwünge zu entwickeln. So setzten beispielsweise Forschende in der Studie von Malladi (2022) überwachtes maschinelles Lernen ein, um eine Rezession in der Zeit nach COVID-19 vorherzusagen.

 
 
REFERENZEN
  1. Mohammad Javad Bazrkar and Soodeh Hosseini. 2022. Predict Stock Prices Using Supervised Learning Algorithms and Particle Swarm Optimization Algorithm. Comput. Econ. 62, 1 (Jun 2023), 165–186. https://doi.org/10.1007/s10614-022-10273-3
  2. Wu, Mu-En, Jia-Hao Syu, and Chien-Ming Chen. “Kelly-Based Options Trading Strategies on Settlement Date via Supervised Learning Algorithms.” Computational Economics 59, no. 4 (April 1, 2022): 1627–44. https://doi.org/10.1007/s10614-021-10226-2.
  3. Debener, Jörn, Volker Heinke, and Johannes Kriebel. “Detecting Insurance Fraud Using Supervised and Unsupervised Machine Learning.” Journal of Risk and Insurance 90, no. 3 (2023): 743–68. https://doi.org/10.1111/jori.12427.
  4. Alsuwailem, Alhanouf Abdulrahman Saleh, Emad Salem, and Abdul Khader Jilani Saudagar. “Performance of Different Machine Learning Algorithms in Detecting Financial Fraud.” Computational Economics 62, no. 4 (December 1, 2023): 1631–67. https://doi.org/10.1007/s10614-022-10314-x.
  5. Malladi, Rama K. “Application of Supervised Machine Learning Techniques to Forecast the COVID-19 U.S. Recession and Stock Market Crash.” Computational Economics, October 26, 2022. https://doi.org/10.1007/s10614-022-10333-8.
  6. Clithero, John A., Jae Joon Lee, and Joshua Tasoff. “Supervised Machine Learning for Eliciting Individual Demand.” American Economic Journal: Microeconomics 15, no. 4 (November 2023): 146–82. https://doi.org/10.1257/mic.20210069.
 
Geowissenschaften
 

 

Überwachtes Lernen findet in den Geowissenschaften zunehmend Anwendung. Im Folgenden werden einige Beispiele vorgestellt, wie dieser Ansatz in der geowissenschaftlichen Forschung genutzt wird.

 

Wie kann ich eine meteorologische Eigenschaft anhand anderer Eigenschaften vorhersagen?

Obwohl das Wetter viele Bereiche unseres Lebens beeinflusst, ist es oft schwierig, meteorologische Daten direkt aus der eigenen Nachbarschaft zu erfassen. Bisher mussten wir die Wetterbedingungen an unserem Wohnort aus den Messwerten weniger, oft weiter entfernter Wetterstationen ableiten. Wenn Sie zum Beispiel in Treptow-Köpenick in Berlin wohnen, beziehen sich Wettervorhersagen im Fernsehen meist auf ganz Berlin – nicht speziell auf Ihren Stadtteil. Die eigentlichen Messungen stammen dann häufig z.B. aus Tempelhof oder Schönefeld. Auch Online-Wetterdienste, die regionale Vorhersagen anbieten, basieren in der Regel auf Daten umliegender Stationen.

 
Geologie-Fig. 1. Screenshot von „Windfinder“, einer Online-Plattform für aktuelle Winddaten und -vorhersagen. In Köpenick gibt es keine Wetterstation, die mit „Windfinder“ verbunden ist, sodass die Informationen von nahegelegenen Stationen abgeleitet werden müssen.


Die Luftqualität ist zweifellos ein entscheidender Faktor für die Lebensqualität. Da sie jedoch stark von Straße zu Straße und Block zu Block variieren kann, führen Ableitungen von Messwerten nahegelegener Stationen oft zu ungenauen Ergebnissen. Zheng et al. von Microsoft Research in Peking entwickelten einen semi-supervised-Learning-Ansatz, der Informationen zur Luftqualität mit einer Genauigkeit von über 80 % vorhersagen konnte. Dabei wurden unter anderem Straßennetze, Verkehrsdaten und Wetterinformationen berücksichtigt. Dieses Beispiel verdeutlicht das Potenzial von KI-Systemen – einschließlich Algorithmen des überwachten Lernens –, aus großen Datenmengen (Big Data) präzise Erkenntnisse zu gewinnen, die für Menschen in Echtzeit kaum zu verarbeiten wären.



Wie kann ich eine meteorologische Eigenschaft anhand vergangener Aufzeichnungen für die Zukunft vorhersagen?

Die nächste naheliegende Frage ist: Wie kann man das Wetter für morgen vorhersagen? Wettervorhersagen gehören doch immer zu den spannendsten Teilen der Nachrichten, oder? Maschinelle Lernverfahren – darunter auch überwachtes Lernen – tragen zunehmend dazu bei, Wetterprognosen zu verbessern. Es gibt inzwischen sogar vollständig auf maschinellem Lernen basierende Wettervorhersagen, die online verfügbar sind. Das Karlsruher Institut für Technologie (KIT) betreibt beispielsweise eine eigene Website namens „KIT-Wetter“, auf der Wetterprognosen veröffentlicht werden, die von maschinellen Lernalgorithmen erstellt wurden. Vielleicht lohnt sich ein Blick auf die Vorhersage für morgen – und ein Test, wie gut maschinelles Lernen diese Aufgabe bereits meistert.


Abschließende Gedanken

Wir alle kennen diese Situationen: Die Wettervorhersage kündigt einen trockenen Tag an – und doch regnet es. Oder es soll gerade regnen, aber draußen bleibt es trocken. Solche Ungenauigkeiten könnten mit modernen Algorithmen des maschinellen Lernens bald der Vergangenheit angehören. Denn trotz früherer Vorhersagefehler bilden die über Jahrzehnte hinweg weltweit gesammelten Wetterdaten eine enorme Grundlage für überwachtes Lernen. Je mehr Erfahrungen wir als Menschheit sammeln – einschließlich unserer Irrtümer –, desto besser können KI-gestützte Systeme daraus lernen und uns helfen, künftig präzisere Vorhersagen zu treffen.






REFERENZEN
  1. Deutscher Wetterdienst. (n.d.). Metanavigation. Wetter und Klima - Deutscher Wetterdienst - Our services - Climate at selected weather stations in Berlin and Brandenburg. https://www.dwd.de/EN/ourservices/cos/berlin_brandenburg.html
  2. Hartmann, K., Krois, J., Rudolph, A. (2023): Statistics and Geodata Analysis using R (SOGA-R). Department of Earth Sciences, Freie Universitaet Berlin. https://www.geo.fu-berlin.de/en/v/soga-r/index.html
  3. Yu Zheng, Furui Liu, and Hsun-Ping Hsieh. 2013. U-Air: when urban air quality inference meets big data. In Proceedings of the 19th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD '13). Association for Computing Machinery, New York, NY, USA, 1436–1444. https://doi.org/10.1145/2487575.2488188
 


!     Überlegen Sie, bei welchen anderen Aufgaben in Ihrem Studienfach Modelle für überwachtes Lernen angewendet werden können, und schreiben Sie diese in die Taskcards unten.