aiMOOC

Maschinelles Lernen in der industriellen Praxis

QR-Code

Einleitung

Zielgruppe: Auszubildende, empfohlen im 2. Ausbildungsjahr. Voraussetzungen: Z1 oder vergleichbare KI- und Datenkompetenz; Grundwissen zu Sensorik, Einheiten und Tabellen. Dauer: etwa 5–7 Lernstunden plus Transfer. Lernprodukt: nachvollziehbarer Modellvergleich auf vollständig synthetischen Fertigungsdaten, als Tabelle und begründeter Kurzbericht. Alle Schritte sind ohne Konto, Programmierkenntnisse oder Internetzugang auf Papier oder mit einer lokalen Tabellenkalkulation möglich.

In einer Modellfabrik verändern sich Last, Temperatur und Schwingung. Welche Daten helfen, eine Störung zu erkennen, eine Temperatur vorherzusagen oder unterschiedliche Betriebszustände zu gruppieren? Du lernst Klassifikation, Regression und Clustering kennen und prüfst, ob ein Modell wirklich besser ist als eine einfache Regel. Die zugehörige Grundlage Vorwissen dient zur kurzen Aktivierung; deren aktuelle Seiteninhalte konnten beim externen Abruf nicht unabhängig geprüft werden.

Lernziele: Du wählst eine passende Lernaufgabe, bereinigst Einheiten und Datenlücken nachvollziehbar, trennst Trainings-, Validierungs- und Testdaten nach Zeit und Maschine, verhinderst Datenleckage, zählst Fehlalarme und übersehene Fehler und begründest eine vorsichtige Entscheidung.

Sicherheitsgrenze: Ausschließlich Simulation, keine Verbindung zu Anlagen, keine reale Maschinensteuerung, keine Sicherheitsfreigabe und keine automatische Instandhaltungsentscheidung. Das Angebot ist unabhängig; es ist keine offizielle Liebherr- oder IHK-Zertifizierung. Sämtliche Messwerte, Kennzeichnungen und Ergebnisse in den Übungen sind ausdrücklich erfunden.

Von Sensordaten zur Lernfrage

Vorwissen aktivieren

Beantworte mündlich: Welche Einheit trägt ein Temperatursensor? Was unterscheidet einen Messwert von einem Fehleretikett? Welcher Unterschied besteht zwischen Training und Test? Falls nötig, wiederhole Sensorik, Datenqualität und Künstliche Intelligenz. Merkhilfe: Ein Algorithmus wird anhand von Beispielen angepasst; ein Modell beschreibt danach erlernte Zusammenhänge. Ein plausibles Muster ist noch kein Beweis für eine Ursache.

Medienhinweis: Ablaufgrafik zum maschinellen Lernen; Quelle und Lizenz stehen im Quellenverzeichnis. Ohne Bild: Daten prüfen → Trainingsbereich festlegen → Modell anpassen → getrennt testen → Ergebnis hinterfragen.

Die drei Lernfragen unterscheiden

Verfahren	Zielvariable	Synthetischer Industrieeinsatz	Grenze
Klassifikation	Kategorie „Störung“ oder „normal“	Eine Prüfmeldung aus Last, Temperatur und Schwingung schätzen	Fehlalarme und übersehene Störungen sind möglich
Regression	Kontinuierlicher Zahlenwert	Temperatur bei vorgegebener Last in Grad Celsius schätzen	Prognosen haben Abweichungen
Clustering	Zunächst keine bekannten Klassen	Ähnliche Last- und Schwingungsprofile gruppieren	Cluster sind nicht automatisch Fehlerklassen

Überwachtes Lernen nutzt beim Training bekannte Zielwerte (Labels). Unüberwachtes Lernen entdeckt Ähnlichkeitsstrukturen ohne solche Labels. Für eine Klassifikation kann ein interpretierbarer Entscheidungsbaum dienen; eine Lineare Regression schätzt Zahlen; k-Means ist ein möglicher Gruppierungsalgorithmus. Modelle liefern Hypothesen, keine Sicherheitsnachweise.

Alternativtext in Worten: Merkmale und bekannte Ergebnisse bilden Trainingsbeispiele; ein Modell wird daran gelernt und anschließend an unbekannten Beispielen geprüft.

Optionales deutsches Video: Plattform Lernende Systeme, „KI und maschinelles Lernen“; die externe Abspielbarkeit ist nicht garantiert. Offline-Alternative: Lies die Tabelle und erläutere jede Zeile in einem eigenen Satz.

Synthetische Messreihen zuverlässig vorbereiten

Modellfabrik, Messgrößen und typische Fehler

Vier rein fiktive Maschinen A, B, C und D liefern im Minutentakt Zeitstempel, Last in Prozent, Temperatur in °C und Schwingung in mm/s. Die Spalte „Störung“ ist ein zuvor von einer fiktiven Prüfperson festgelegtes Label, nicht das Ergebnis einer echten Diagnose. Lastwechsel können hohe, aber erlaubte Werte erzeugen; Werte hängen deshalb vom Betriebszustand ab.

Maschine	Zeitpunkt (fiktiv)	Last (%)	Temperatur (°C)	Schwingung (mm/s)	Störung	Datenproblem
A	Woche 1, Mo 08:00	35	48	1,6	nein	keines
A	Woche 1, Mo 08:01	80	69	3,1	nein	legitimer Lastwechsel
B	Woche 1, Mo 08:00	75	72	5,8	ja	fiktives Fehlerlabel
B	Woche 1, Mo 08:01	76	—	5,9	ja	Temperatur fehlt
A	Woche 2, Di 09:00	50	329,15	2,2	nein	Temperatur irrtümlich in Kelvin
B	Woche 2, Di 09:01	60	64	0,004	nein	Schwingung irrtümlich in m/s

Geführte Kontrolle: 329,15 K entsprechen 56,00 °C, weil du 273,15 abziehst. 0,004 m/s entsprechen 4 mm/s, weil du mit 1000 multiplizierst. Eine fehlende Temperatur bleibt zunächst fehlend; sie darf nicht ohne Kennzeichnung als 0 °C gewertet werden. Schreibe Korrektur, Quelle der Einheit, Zeitstempel und Unsicherheit in ein kleines Änderungsprotokoll.

Fehlerbehandlung ohne Blick in die Zukunft

Prüfe Zeitstempel, doppelte Zeilen, Einheiten, Sensorbereich und Lastwechsel, bevor du ein Modell trainierst. Markiere fehlende Messungen. Für eine einfache Übung kannst du die im Training beobachtete mediane Temperatur als Ersatz testen und eine zusätzliche Spalte „Temperatur fehlte“ anlegen. Der Median ist der mittlere Wert einer sortierten Liste. Wichtig: Den Ersatzwert nur mit Trainingsdaten bestimmen; in Validierung und Test denselben Trainingswert anwenden. Ob das die geeignete reale Methode wäre, bleibt offen; hier ist es nur eine didaktische Simulation.

Einzelne Messspitzen sind nicht zwingend Fehler. Prüfe ihren Zusammenhang mit dem Lastwechsel. Einheitenfehler sind keine „spannenden Ausreißer“, sondern müssen vor dem Modellvergleich nachweisbar berichtigt oder als unbrauchbar markiert werden. Ohne verlässliche Messqualität ist hohe Modellgenauigkeit nicht glaubwürdig.

Modelle für Klassifikation, Regression und Clustering

Klassifikation mit einfacher Baseline

Eine Baseline ist eine bewusst einfache Vergleichslösung. Unsere Baseline meldet „Störung“, wenn die bereinigte Schwingung mindestens 5,0 mm/s beträgt; der Grenzwert ist rein fiktiv und keine Wartungs- oder Sicherheitsgrenze. Vergleiche dagegen einen auf Trainingsdaten angepassten kleinen Entscheidungsbaum mit Last und Schwingung als Merkmalen. Ein Trainingsalgorithmus sucht Trennregeln; die spätere Güte muss auf bislang unbenutzten Fällen geprüft werden.

Ein Fehlalarm bedeutet Vorhersage „Störung“, tatsächlich aber „normal“ (falsch positiv, FP). Ein übersehener Fehler bedeutet Vorhersage „normal“, tatsächlich aber „Störung“ (falsch negativ, FN). Richtig erkannte Störungen heißen TP, richtige Entwarnungen TN. Bei seltenen Fehlern kann eine bloße hohe Trefferquote irreführen.

Ohne Grafik: Kreuztabelle aus tatsächlichem Zustand (ja/nein) und vorhergesagtem Zustand (ja/nein); notiere TP, FP, FN und TN.

Regression für Schätzwerte

Ein einfaches lineares Modell approximiert etwa die Temperatur aus der Last. Sein Ergebnis ist eine Zahl in °C, keine Fehlermeldung. Der absolute Fehler ist der Betrag aus Vorhersage minus Messwert, die mittlere absolute Abweichung heißt MAE. Beispiel mit erfundenen Zieltemperaturen 68, 70, 72 °C: Konstant 70 °C schätzen ergibt Fehler 2, 0, 2 und MAE = 4/3 ≈ 1,33 °C. Ein fiktives komplexeres Modell mit Prognosen 67, 69, 75 °C ergibt Fehler 1, 1, 3 und MAE = 5/3 ≈ 1,67 °C. Niedriger ist besser; hier schlägt die Baseline das komplexere Modell. Prognose ist weder Ursache-Wirkungs-Nachweis noch Freigabe eines Bauteils.

Offline-Alternative: Zeichne drei Temperaturmesswerte in ein Koordinatensystem und vergleiche eine waagerechte Referenzlinie mit einer geschätzten Geraden.

Optional: deutsches Video zur Regression von Plattform Lernende Systeme; externes Video kann regional oder technisch nicht verfügbar sein. Ohne Video: Rechne beide MAE-Werte von Hand.

Clustering zur Erkundung von Zuständen

Beim Clustering werden ähnliche Zeilen ohne Fehlerlabels gruppiert, etwa „niedrige Last und geringe Schwingung“ gegenüber „hohe Last und stärkere Schwingung“. Ein gängiges Verfahren ist k-Means mit einer vorgegebenen Anzahl k. Es ordnet Punkten Clusterzentren zu und aktualisiert diese iterativ. Da % und mm/s unterschiedliche Skalen haben, skaliere die Merkmale mit ausschließlich Trainingsdaten; sonst dominiert womöglich die Variable mit dem größeren Zahlenbereich. Ein Cluster ist keine geprüfte Störungsklasse. Besonders Lastwechsel können scheinbar auffällige Gruppen erklären.

Animationsalternative: Zeichne zwei Zentren, ordne vier fiktive Messpunkte dem jeweils näheren Zentrum zu, verschiebe jedes Zentrum zum Gruppenmittel und wiederhole.

Optional: deutsches Video zum unüberwachten Lernen, Plattform Lernende Systeme. Offline-Alternative: Erkläre, warum eine Gruppe ohne bekannte Labels nicht „defekt“ heißen darf.

Ehrliche Evaluation ohne Datenleck

Nach Maschine und Zeit trennen

Datenleckage entsteht, wenn Informationen aus später zu prüfenden Daten unzulässig in Training, Vorverarbeitung oder Modellauswahl geraten. Nahezu identische Minutenmesswerte derselben Maschine dürfen nicht zufällig auf Training und Test verteilt werden: Sie wären kein unabhängiger Nachweis der Übertragbarkeit.

Teilmenge	Maschinengruppen	Zeitbereich	Erlaubter Zweck
Training	A und B	fiktive Wochen 1–2	Bereinigungsregeln, Median, Skalierung, Modellanpassung
Validierung	A und B	fiktive Woche 3	Schwellenwert und Modell einmalig auswählen
Test	C und D, im Training nie gesehen	fiktive Woche 4	Abschließende unabhängige Bewertung, keine Nachjustierung

Dieser Aufbau prüft gleichzeitig die Übertragung auf spätere Zeit und neue Maschinen. Er ist anspruchsvoll; bei zu wenigen Maschinen musst du die Unsicherheit offen benennen. Wenn du später die Testfehler zur Verbesserung verwendest, ist dieser Test nicht mehr unabhängig; du benötigst einen neuen, unberührten Testdatensatz. Sortieren und Trennen kommen vor dem Ermitteln von Imputationsmedian und Skalierung.

Prüffrage ohne Bild: An welcher Stelle dürfen Testwerte ausdrücklich nicht zur Anpassung eingehen?

Zwölf ausschließlich erfundene Testfälle

Die nachstehende Tabelle ist eine fertige Papiersimulation, kein Ergebnis eines tatsächlich trainierten Modells. Jeder Fall stammt von einer der fiktiven Maschinen C oder D aus Woche 4. „J“ bedeutet Störung, „N“ bedeutet normal. Die Vorhersagen beider Verfahren sind bewusst vorgegeben, damit du die vier Felder der Fehlermatrix selbst berechnen kannst.

Fall	Maschine	Ist	Baseline meldet	Modell meldet
T01	C	N	N	N
T02	D	N	N	N
T03	C	J	J	J
T04	D	N	N	N
T05	C	N	N	J
T06	D	J	J	J
T07	C	N	N	N
T08	D	N	J	N
T09	C	J	N	J
T10	D	N	N	N
T11	C	N	N	J
T12	D	J	J	N

Anleitung: Markiere die vier tatsächlichen Störungen. Fülle je Verfahren eine 2-mal-2-Tabelle mit TP, FP, FN, TN. Berechne Präzision = TP/(TP+FP), Sensitivität = TP/(TP+FN) und Trefferquote = (TP+TN)/12. Bei einem Nenner 0 darf die jeweilige Größe nicht blind berechnet werden. Zähle FP und FN getrennt; eine Gesamtzahl allein verschleiert die Art des Risikos. Verwende keine Zeile, um das Modell nachträglich zu verändern. Das gewünschte Lernprodukt vergleicht beide Methoden auf derselben Testmenge.

Gegenbeispiel: Wenn eine hohe Kennzahl täuscht

Angenommen, 98 von 100 fiktiven Fällen sind unauffällig. Ein System sagt immer „normal“ und erreicht 98 % Trefferquote, übersieht jedoch beide Störungen. Darum benötigst du mindestens die getrennten Fehlertypen und ihren Anwendungszusammenhang. Da unsere zwölf Beispiele klein, künstlich und ausgewählt sind, gelten daraus abgeleitete Kennzahlen nur für dieses Übungsblatt. Sie sagen nichts über künftige reale Anlagen aus.

Transfer, Dokumentation und Grenzen

Modellvergleich als berufliches Lernprodukt

Erstelle eine einseitige Entscheidungsvorlage mit Lernfrage, synthetischer Datenbeschreibung, Trennplan, dokumentierten Einheitenkorrekturen, den vier Fehlerzahlen je Verfahren, einfachen Kennzahlen und einer begründeten Auswahl. Beschreibe mindestens einen konkreten Fehlerfall (z. B. T12 als übersehene Störung des Modells) und erläutere, warum ein Fehlalarm trotz Produktionsunterbrechung anders behandelt werden muss als ein übersehener Fehler. Die fachliche Bewertung von Kosten und Risiken erfordert reale Experten und kann nicht aus dem Übungsblatt abgeleitet werden.

Hilfestufe: Verwende fünf Überschriften: Daten – Split – Vergleich – Fehlerfälle – Empfehlung. Vertiefung: Diskutiere veränderte Fehlerkosten, seltene positive Ereignisse, unbekannte Lastzustände, Konzeptdrift (geänderte Datenverteilung) und Unsicherheitsintervalle bei kleinen Stichproben. Prüfe für Klassifikation auch Präzision und Sensitivität, für Regression MAE und für Clustering Stabilität sowie fachliche Interpretierbarkeit. Ein Modell ist nicht automatisch besser, nur weil es komplexer ist.

Industrielle Standards einordnen

OPC UA bietet ein herstellerübergreifendes Informations- und Kommunikationsmodell; es ist kein Nachweis einer Modellgüte. Die Verwaltungsschale bzw. Asset Administration Shell beschreibt strukturierte digitale Informationen über Industrieobjekte; auch sie ersetzt keine unabhängige Evaluation. Die Industrial Digital Twin Association veröffentlicht u. a. Vorlagen für Zeitreihen, KI-Datensätze, KI-Modelle und Instandhaltung. Versionsstände der einzelnen Spezifikationen müssen für ein echtes Vorhaben erneut geprüft werden. Wir verwenden diese Quellen ausschließlich zum Lesen und Einordnen, nicht zum Anschluss an Maschinen.

Quellenstand der Recherche: 21. Oktober 2026; Unterrichtsblatt Version 1.0. Quellen können sich ändern; Videoverfügbarkeit und die externe Grundlagen-URL sind nicht dauerhaft gewährleistet. Das Lernprodukt ist kein Arbeitsauftrag zur Freigabe echter Maschinen.

Interaktive Aufgaben

Hinweis zu den Quizfragen: Wähle jeweils eine Antwort. Die richtige Option wird nicht im Erklärungstext vorab verraten; nutze die Rückmeldung der Quizfunktion und begründe deine Wahl nach dem Versuch. Für Papierbearbeitung besprecht ihr die Antworten erst nach der Einzelbearbeitung.

Quiz: Wissen anwenden

Welche Aufgabe passt zur Vorhersage „Störung“ oder „normal“? (Klassifikation) (!Regression mit einer Temperatur als Zielwert) (!Clustering ohne bekannte Zielklassen) (!Berechnung des Maschinenalters)

Welche Ausgabe gehört zu einer Regression? (Eine prognostizierte Temperatur in Grad Celsius) (!Eine Gruppe ohne beschriftetes Ziel) (!Eine Fehlerklasse ja oder nein) (!Ein zufälliger Dateiname)

Was beschreibt Clustering am treffendsten? (Ähnliche Beobachtungen ohne vorgegebene Fehlerlabels gruppieren) (!Alle Gruppen automatisch als Defekt einstufen) (!Nur mit vorgegebenen Fehlerlabels trainieren) (!Die Einheit Kelvin in Celsius umrechnen)

Wie viel Grad Celsius entsprechen 329,15 Kelvin? (56 Grad Celsius) (!329,15 Grad Celsius) (!602,30 Grad Celsius) (!0 Grad Celsius)

Was schützt bei zeitlich ähnlichen Messungen vor Datenleckage? (Nach Maschine und Zeit getrennte Testdaten verwenden) (!Minutenmessungen zufällig auf Training und Test mischen) (!Testmediane vor dem Training bestimmen) (!Auf dem Testset den Grenzwert mehrfach optimieren)

Wann darf ein Imputationsmedian für den abschließenden Test berechnet werden? (Nur aus dem Trainingsabschnitt) (!Aus Training und Test zusammen) (!Nur aus der Testspalte) (!Erst nach Kenntnis der Testlabels aus allen Maschinen)

Was ist ein Fehlalarm? (Das Modell meldet eine Störung obwohl der Fall normal ist) (!Das Modell meldet normal obwohl eine Störung vorliegt) (!Eine Störung wird korrekt gemeldet) (!Ein Normalfall wird korrekt entwarnt)

Wie bezeichnet man eine übersehene Störung? (Falsch negativ) (!Falsch positiv) (!Richtig positiv) (!Richtig negativ)

Welches Verfahren sollte als Vergleich zum komplexeren Modell dienen? (Eine festgelegte einfache Baseline auf denselben Testfällen) (!Ein Modell mit Kenntnis der wahren Testlabels) (!Ein ständig auf Testdaten nachtrainiertes Modell) (!Eine andere Testmenge mit leichteren Beispielen)

Welche Aussage ist bei nur zwölf synthetischen Testfällen vertretbar? (Die gemessene Testgüte gilt zunächst nur für die Übung) (!Die Klassifikation ist für jede Fabrik sicher) (!Das Modell darf reale Maschinen automatisch stoppen) (!Die Trefferquote ersetzt die Prüfung von Fehlalarmen)

Memory

Ordne sechs Fachbegriffe ihren Bedeutungen zu. Als Offline-Alternative kannst du die Spalten abschreiben, zerschneiden und verdeckt mischen.

Klassifikation	Entscheidung zwischen vorgegebenen Zustandsklassen
Regression	Schätzung einer kontinuierlichen Zielgröße
Clustering	Gruppierung nach Ähnlichkeit ohne Zielklassen
Datenleckage	Unerlaubte Information aus dem Prüfbereich im Training
Baseline	Einfache festgelegte Vergleichsmethode
Sensitivität	Anteil erkannter tatsächlicher Störungen

Drag-and-Drop

Ordne jeder Beschreibung die passende Maßnahme zu; löse die Aufgabe alternativ mit Verbindungslinien auf Papier.

Passender Fachausdruck	Situationen im Modellfall
Einheitenkorrektur	Kelvinwerte in Grad Celsius umrechnen
Zeittrennung	Spätere Messzeitpunkte ausschließlich für die Endprüfung zurückhalten
Maschinentrennung	Unbekannte Modellmaschinen in der Testgruppe belassen
Fehlalarm	Störung gemeldet obwohl die Kennzeichnung normal lautet
Übersehener Fehler	Normal gemeldet obwohl die Kennzeichnung Störung lautet

Kreuzworträtsel

Suche sechs Begriffe; alle Lösungswörter haben genau ein Wort.

Modell	Aus Beispielen angepasstes mathematisches Abbild für neue Eingaben
Training	Phase zum Anpassen der Modellparameter
Regression	Schätzaufgabe für kontinuierliche Werte
Cluster	Gruppe ähnlicher Beobachtungen
Median	Mittlerer Wert in einer sortierten Zahlenfolge
Sensor	Bauteil zum Erfassen einer physikalischen Messgröße

LearningApps

Suche ergänzende Zuordnungsspiele. Die Suchergebnisse sind Angebote Dritter und ersetzen keine eigenen Kursaufgaben.

Offline-Alternative: Verwende Memory und Drag-and-Drop oben ohne externen Dienst.

Lückentext

Bearbeite den Text ohne Hilfsmittel und prüfe anschließend deine Fachwörter anhand der Kapitel.

Offene Aufgaben

Leicht

Lernarten: Erstelle eine Übersicht zu Klassifikation, Regression und Clustering mit je einem frei erfundenen Industriebeispiel und der Art der Zielgröße.
Einheiten: Rechne 329,15 Kelvin und 0,004 Meter je Sekunde in die geforderten Einheiten um; dokumentiere die Rechenwege.
Messlücke: Markiere im Beispieldatensatz fehlende Werte und beschreibe zwei vertretbare Umgangsweisen sowie deren Grenzen.
Offline-Diagramm: Skizziere Last und Temperatur an drei frei erfundenen Zeitpunkten und markiere einen Lastwechsel ohne voreilige Störungsdiagnose.

Standard

Trennplan: Zeichne einen Trainings-, Validierungs- und Testplan nach Maschine und Zeit; erkläre, warum dieselbe Minute nicht in zwei Teilmengen liegen darf.
Fehlermatrix: Zähle die vier Fehlerfelder für die Baseline in den zwölf Testfällen und erläutere den Unterschied zwischen Fehlalarm und übersehenem Fehler.
Modellvergleich: Erstelle eine Vergleichstabelle mit TP, FP, FN, TN sowie Präzision, Sensitivität und Trefferquote für beide Verfahren und formuliere eine Entscheidung.
Temperaturprognose: Berechne die MAE-Werte für Baseline und Regressionsmodell aus dem Kapitel; erkläre in eigenen Worten, weshalb der kleinere Fehler vorzuziehen ist.

Schwer

Leckage-Audit: Entwirf einen Prüfkatalog für Imputation, Skalierung, zeitliche Nähe, wiederkehrende Maschinen und Modellwahl; demonstriere einen selbst erfundenen Leckagefall.
Clusterkritik: Skizziere zwei durch Last und Schwingung geprägte Cluster und widerlege anhand eines Grenzfalles die Behauptung „Cluster gleich Fehler“.
Fehlerkosten: Formuliere zwei unterschiedliche fiktive Szenarien für die Kosten von Fehlalarm und übersehenem Fehler; erkläre, warum sich die Modellwahl unterscheiden kann, ohne echte Sicherheitsschwellen festzusetzen.
Transferbericht: Erstelle eine einseitige unabhängige Modellbewertung für eine neue fiktive Maschine, benenne kleine Stichprobe, Lastwechsel, Messausfälle, Datenleckrisiko und einen bewusst zurückgestellten Freigabeentscheid.

Lernkontrolle

Prüffall A: Begründe, warum eine einzelne Messung mit 329,15 ohne dokumentierte Einheit nicht unmittelbar zur Störungsprognose verwendet werden darf.
Prüffall B: Entscheide für Störungskennung, Temperaturschätzung und Zustandsgruppierung jeweils über Klassifikation, Regression oder Clustering und erkläre die Zielgröße.
Prüffall C: Entwickle einen Testplan mit A/B in Wochen 1–3 und C/D in Woche 4; nenne zwei mögliche Leckagewege und eine Gegenmaßnahme je Weg.
Prüffall D: Zähle für Modell und Baseline FP und FN anhand T01–T12; prüfe, ob eine höhere Gesamtgüte automatisch niedrigere sicherheitsbezogene Risiken bedeutet.
Prüffall E: Vergleiche bei Temperaturen 68, 70 und 72 °C zwei Regressionsvorhersagen mit MAE und begründe den Baselinevergleich.
Prüffall F: Beurteile die Aussage „Unsere zwölf simulierten Testfälle beweisen Anlagenzuverlässigkeit“; formuliere eine fachlich angemessene Unsicherheitsaussage.

Lernnachweis

Abgabe: Dein Modellvergleich auf synthetischen Fertigungsdaten umfasst eine bereinigte Beispieltabelle mit Einheiten und Messlücken, einen begründeten maschinen- und zeitgetrennten Split, eine unabhängige Baseline, die Test-Konfusionsmatrizen samt vier Fehlerzahlen, mindestens zwei Kennzahlen, den gerechneten Regressions-MAE, eine kritische Clusterinterpretation und einen erklärten Fehlerfall. Lege eine kurze Entscheidungsvorlage bei (etwa 250–400 Wörter) mit Quellenstand, Grenzen und offener Unsicherheit.

Bewertungskriterien: 1. Daten und Umrechnungen nachvollziehbar; 2. kein Datenleck und nachvollziehbare Trennung; 3. FP und FN korrekt und separat gezählt; 4. Baseline fair auf denselben Fällen verglichen; 5. Schlussfolgerung fachlich begründet, einschließlich eines Gegenbeispiels und ohne reale Freigabe. Partnerfeedback darf helfen; die persönliche Begründung erfolgt selbstständig.

Lösungskontrolle nur nach der Bearbeitung: Prüfe deine Zählungen mit einer zweiten Person und begründe jede abweichende Zeile. Im Muster führt die Baseline zu drei richtig gemeldeten Störungen, einem Fehlalarm, einer übersehenen Störung und sieben richtigen Entwarnungen; das fiktive Modell zu drei richtig gemeldeten Störungen, zwei Fehlalarmen, einer übersehenen Störung und sechs richtigen Entwarnungen. Damit ist das komplexere Modell hier nicht besser. Diese Kontrollangaben gehören bewusst in den Lernnachweis und nicht in die Multiple-Choice-Fragen.

OER und Wikipedia

Stand: Recherche 21.10.2026; Kursversion 1.0. Die Links bieten fachliche Anknüpfung, keine Zusicherung über künftige Erreichbarkeit. Externe Inhalte, Lizenzen und Normversionen müssen für erneute Nutzung nochmals geprüft werden.

Wikipedia: Maschinelles Lernen – Überblick über Training, Verfahren und Grenzen, dynamischer Artikel.
Industrial Digital Twin Association: Downloads – insbesondere die zum Recherchezeitpunkt gelisteten IDTA-Submodelle für Zeitreihen (IDTA 02008-1-1), KI-Datensätze (IDTA 02058-1-0), KI-Modellnameplate (IDTA 02060-1-0) und Predictive Maintenance (IDTA 02048); Versionen der einzelnen Dokumente sind vor praktischer Nutzung gesondert festzustellen.
OPC Foundation: OPC UA – herstellerübergreifende Informationsmodelle und abgesicherte Kommunikation, nicht Lernalgorithmus und nicht Sicherheitsfreigabe.
KIT: Jetzt geht's los mit dem Maschinellen Lernen! – deutschsprachiges CC-BY-SA-4.0-Video zu Regression, Klassifikation und Datenaufteilung (2021), alternative Videoseite ohne YouTube.
LMZ Baden-Württemberg: Videoreihe „So lernen Maschinen“ – Überblick zur frei zugänglichen Lernreihe.

Verifizierte Medien-Dateiseiten und Rechte:

Commons-Dateiseite	Urheberschaft	Lizenz laut Dateiseite
Datei	Buecherdiebin	CC BY-SA 4.0 (auch weitere Lizenzen auf Dateiseite)
Datei	Bert Niehaus	CC BY-SA 4.0
Datei	Humzaashraf97	CC0 1.0
Datei	Berland	Gemeinfrei laut Dateiseite
Datei	Chire	CC BY-SA 4.0 (Mehrfachlizenz)

Optionales Audio von Wikimedia Commons (englisch, nur ergänzend): 14-Sekunden-Originalton zu maschinellem Lernen, VOA Learning English, 2019; laut Dateiseite in den USA gemeinfrei. Alternativtext: Datenbasierte Verfahren lernen aus vorhandenen Beispielen. Die Aussage ist eine Einstiegshilfe, nicht vollständige ML-Definition. Optionales Audio: Videos: Einführung, Regression, Clustering – jeweils Plattform Lernende Systeme, Veröffentlichungen 2020/2021, laut Anbieter CC BY-NC-ND 3.0 DE. Externe Wiedergabe nicht garantiert; stattdessen die jeweiligen Berechnungs- und Zeichenübungen oben bearbeiten.