Informatik KI – K-Means und Clustering
K-Means ist der Standard-Algorithmus für unsupervised Clustering in Machine Learning. Nach dem Lernen dieser Karten verstehst du die Initialisierung, Iteration und Konvergenz von K-Means, kennst Alternativen wie DBSCAN und hierarchisches Clustering, und kannst Clustering-Ergebnisse mit Silhouette-Score und Elbow-Methode bewerten.
Lernziele
Was du in dieser Lektion lernst
- Was ist das Ziel von K-Means Clustering?
- Wie funktioniert der K-Means-Algorithmus in der Iteration?
- Welches Konvergenzkriterium nutzt K-Means standardmäßig?
- Was ist der Unterschied zwischen K-Means und K-Means++ Initialisierung?
Lerntipp
Visualisiere K-Means Schritt für Schritt in 2D: Zeichne Datenpunkte, wähle zufällige Zentroiden, weise Punkte zu, berechne neue Zentroiden – wiederhole bis Konvergenz. So verstehst du, warum lokale Optima entstehen.
Hinweis: Der Inhalt dieser Seite wurde mit einem KI-Modell erzeugt und nicht von Fachmenschen geprüft. Nutze die Karten als Lernhilfe und gleiche medizinische oder rechtliche Aussagen mit deinen Unterlagen ab.
Karteikarten
Alle 15 Lernkarten
Tippe auf eine Karte, um die Antwort aufzudecken
Häufige Fragen
Die wichtigsten Fragen zu Informatik KI – K-Means und Clustering
- Was ist das Ziel von K-Means Clustering?
- Minimierung der Within-Cluster-Sum-of-Squares (WCSS): Datenpunkte sollen so nah wie möglich an ihrem Cluster-Zentroid liegen.
- Wie funktioniert der K-Means-Algorithmus in der Iteration?
- Zuweisungsschritt: Punkte dem nächsten Zentroid zuordnen. Aktualisierungsschritt: Zentroiden als Mittelwert aller zugewiesenen Punkte neu berechnen. Wiederholen bis Konvergenz.
- Welches Konvergenzkriterium nutzt K-Means standardmäßig?
- Algorithmus stoppt, wenn sich Zentroiden zwischen Iterationen nicht mehr ändern oder die maximale Iterationszahl erreicht ist.
- Was ist der Unterschied zwischen K-Means und K-Means++ Initialisierung?
- K-Means++ wählt Startzentroiden mit Wahrscheinlichkeit proportional zum quadrierten Abstand zu bestehenden Zentroiden – reduziert Risiko schlechter lokaler Optima.
- Wozu dient die Elbow-Methode bei K-Means?
- Bestimmung der optimalen Clusteranzahl k: WCSS gegen k auftragen, Knick (Ellbogen) im Plot identifiziert sinnvolles k vor abnehmendem Grenznutzen.
Warum Atrio?
- FSRS-5 Spaced Repetition
- Der Algorithmus plant jede Wiederholung anhand deiner eigenen Lernhistorie und stellt Karten kurz bevor du sie vergisst – das reduziert unnötige Wiederholungen.
- KI-Import
- Notizen, Skripte und PDFs in Sekunden in Lernkarten verwandeln – genau wie diese Seite automatisch entsteht.
- Prüfungsplanung
- Termine hinterlegen und Atrio berechnet rückwärts, wie viele Karten du pro Tag lernen musst – ohne Stress.
Interaktiv lernen
Diese 15 Karten jetzt interaktiv in der Atrio-App lernen
Atrio zeigt dir jede Karte dann, wenn du sie fast vergessen hättest – damit bleibt genau das hängen, was du lernst.
Starter-Plan kostenlos – keine Kreditkarte erforderlich.