Dieses Modul schlägt eine Brücke zwischen Theorie und Praxis, indem es die Studierenden dabei anleitet, einen vollständigen Entscheidungsbaum-Klassifikator mithilfe des ID3-Algorithmus von Grund auf aufzubauen. Die Studierenden lernen, wie ID3 Entropie und Informationsgewinn nutzt, um intelligente Teilungsentscheidungen zu treffen, den gesamten rekursiven Baumaufbauprozess einschließlich der Behandlung von Blattknoten und der Vermeidung von Überanpassung umzusetzen sowie wesentliche Techniken zur Modellbewertung mithilfe von Trainings-/Test-Aufteilungen, Verwechslungsmatrizen und Kreuzvalidierung zu beherrschen. Das praktische Labor fordert die Studierenden heraus, ihren eigenen ID3-Entscheidungsbaum-Klassifikator ohne Rückgriff auf Bibliotheken zu implementieren, ihn an einem realen Datensatz wie der Iris- oder Pilzklassifizierung zu trainieren und seine Leistung mit professionellen Metriken zu bewerten– wodurch sie sowohl einen funktionierenden Klassifikator erhalten als auch ein tiefes Verständnis dafür entwickeln, was „hinter den Kulissen“ jeder Entscheidungsbaum-Bibliothek vor sich geht, die sie in Zukunft nutzen werden.

Dieses Modul wandelt das Wissen der Studierenden über Entscheidungsbäume in einsatzbereite Machine-Learning-Systeme um, indem es sich mit realen Datenherausforderungen und fortgeschrittenen Ensemble-Techniken befasst. Die Studierenden lernen, kontinuierliche numerische Attribute durch entropiebasierte Diskretisierung zu verarbeiten, Strategien für den Umgang mit fehlenden Daten umzusetzen und Random-Forest-Klassifikatoren zu erstellen, die mehrere Bäume kombinieren, um die Genauigkeit und Robustheit durch Bootstrap-Aggregation und Merkmalszufälligkeit deutlich zu verbessern. Der Schwerpunkt des Moduls liegt auf praktischen Implementierungsfähigkeiten, darunter die Serialisierung von Modellen zur Persistenz, die Erstellung benutzerfreundlicher Schnittstellen für Vorhersagen sowie die Anwendung kompletter ML-Pipelines auf reale Probleme wie die Kreditrisikobewertung oder die Vorhersage der Kundenabwanderung. Am Ende des Moduls haben die Studierenden eine einsatzfähige ML-Anwendung mit einer Befehlszeilenschnittstelle erstellt, die Leistung einzelner Bäume mit der von Ensembles verglichen und die Fähigkeiten erworben, Machine-Learning-Modelle in produktive Java-Anwendungen zu integrieren.