{"beispielaufgaben":[{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein Streaming-Dienst stuft Kunden mit kNN ein. Für ein neues Profil sind bei k=5 die nächsten Nachbarn vier gekündigte und ein aktives Konto. Beurteilen Sie, ob das Profil als kündigungsgefährdet gilt.","typ":"absatz"}],"beispiel_id":"bsp-knn-beurteilen-freitextantwort-01","freigabeart":"maschinell","loesung":[{"text":"Erwartete Einschätzung: Ja, das Profil ist als kündigungsgefährdet einzustufen. Begründung: Bei kNN entscheidet die Mehrheit der k nächsten Nachbarn; hier gehören vier von fünf Nachbarn zur Klasse „gekündigt“. Bewertung: 1 Punkt für eine begründete Einschätzung, die sich auf das Mehrheitsverhältnis (4 von 5) stützt. Fachlich gleichwertige Formulierungen sind anzuerkennen; die bloße Nennung „kündigungsgefährdet“ ohne Bezug zur Nachbarschaftsmehrheit reicht nicht.","typ":"absatz"}],"operator_id":"operator.beurteilen","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":1,"punkterahmen":{"max":1,"min":1},"quellen":["ap2-fidp-2024-winter-fdp2-a02-b-ba"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein Gartenbaubetrieb klassifiziert Beetflächen mit kNN nach Bewässerungsbedarf. Für eine neue Fläche sind bei k=7 die nächsten Nachbarn fünfmal trocken und zweimal ausreichend feucht. Beurteilen Sie, ob die Fläche bewässert werden sollte.","typ":"absatz"}],"beispiel_id":"bsp-knn-beurteilen-freitextantwort-02","freigabeart":"maschinell","loesung":[{"text":"Erwartete Einschätzung: Ja, die Fläche sollte bewässert werden. Begründung: Die Mehrheit der k=7 nächsten Nachbarn (5 von 7) gehört zur Klasse „trocken“, sodass kNN die neue Fläche entsprechend klassifiziert. Bewertung: 1 Punkt für eine begründete Einschätzung mit Bezug auf das Mehrheitsverhältnis. Sinngemäß gleichwertige Antworten sind anzuerkennen; eine Einschätzung ohne Bezug zur Nachbarschaftsmehrheit reicht nicht.","typ":"absatz"}],"operator_id":"operator.beurteilen","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":1,"punkterahmen":{"max":1,"min":1},"quellen":["ap2-fidp-2024-winter-fdp2-a02-b-ba"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein Fahrradverleih ordnet Stationen mit kNN zu. Für eine Station sind bei k=3 die nächsten Nachbarn zweimal „Nachschub nötig“ und einmal „Bestand ausreichend“. Beurteilen Sie den Nachschubbedarf dieser Station.","typ":"absatz"}],"beispiel_id":"bsp-knn-beurteilen-freitextantwort-03","freigabeart":"maschinell","loesung":[{"text":"Erwartete Einschätzung: Die Station ist als „Nachschub nötig“ einzustufen. Begründung: Bei kNN gibt die Mehrheit der k=3 nächsten Nachbarn (2 von 3) den Ausschlag; diese gehören zur Klasse „Nachschub nötig“. Bewertung: 1 Punkt für eine begründete Einschätzung, die das Mehrheitsverhältnis der Nachbarn heranzieht. Fachlich gleichwertige Formulierungen sind anzuerkennen; eine unbegründete Aussage reicht nicht.","typ":"absatz"}],"operator_id":"operator.beurteilen","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":1,"punkterahmen":{"max":1,"min":1},"quellen":["ap2-fidp-2024-winter-fdp2-a02-b-ba"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Die Klangwelt Audio GmbH betreibt einen Musikstreamingdienst und möchte neu hochgeladene Titel automatisch einem Genre zuordnen. Für jeden bereits eingeordneten Titel liegen numerische Merkmale wie das Tempo in Schlägen pro Minute, die durchschnittliche Lautstärke und der Anteil gesprochener Passagen vor. Ein neu hochgeladener Titel ohne Genre soll mithilfe des Verfahrens k-nearest neighbors (kNN) einem der bekannten Genres zugeordnet werden. Eine Kollegin aus dem Fachbereich kennt dieses Verfahren bisher nicht.","typ":"absatz"},{"text":"Erklären Sie in zusammenhängenden Sätzen, wie das kNN-Verfahren einen neuen Titel klassifiziert. Gehen Sie dabei darauf ein, wie die Nähe zu den bereits eingeordneten Titeln bestimmt wird, welche Rolle der Parameter k spielt und wie die endgültige Genre-Zuordnung zustande kommt.","typ":"absatz"}],"beispiel_id":"bsp-knn-erklaeren-freitextantwort-01","freigabeart":"maschinell","loesung":[{"text":"Erwartet wird eine sinngemäße Erklärung mit folgenden bewerteten Bausteinen: kNN ist ein überwachtes Klassifikationsverfahren, das auf bereits eingeordneten Trainingsdaten beruht (1 P). Für den neuen Titel wird über dessen numerische Merkmale der Abstand (z. B. euklidische Distanz) zu den bekannten Titeln berechnet (2 P). Aus diesen werden die k nächstgelegenen Titel als Nachbarn ausgewählt; k gibt an, wie viele Nachbarn betrachtet werden (1 P). Das Genre, das unter diesen k Nachbarn am häufigsten vorkommt (Mehrheitsentscheidung), wird dem neuen Titel zugewiesen (2 P). Fachlich gleichwertige Formulierungen sind anzuerkennen. Summe: 6 Punkte.","typ":"absatz"}],"operator_id":"operator.erklaeren","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":6,"punkterahmen":{"max":6,"min":6},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-aa"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein landwirtschaftlicher Betrieb lässt Bodenproben im Labor untersuchen, um Flächen als \"anbaugeeignet\" oder \"nicht anbaugeeignet\" einzustufen. Zu jeder bereits bewerteten Probe sind Messwerte wie pH-Wert, Stickstoffgehalt, Bodenfeuchte und Humusanteil als Zahlen gespeichert. Für eine frisch entnommene Probe ohne Bewertung soll das Verfahren k-nearest neighbors (kNN) eine Einstufung vorschlagen. Ein Auszubildender soll das Vorgehen zunächst nachvollziehen, bevor er es umsetzt.","typ":"absatz"},{"text":"Erklären Sie in eigenen Worten, wie das kNN-Verfahren die neue Bodenprobe einer der beiden Klassen zuordnet. Beschreiben Sie insbesondere, wie der Abstand zu den bewerteten Proben ermittelt wird, weshalb die Anzahl k der betrachteten Nachbarn festgelegt werden muss und wie aus den Nachbarn die endgültige Einstufung hervorgeht.","typ":"absatz"}],"beispiel_id":"bsp-knn-erklaeren-freitextantwort-02","freigabeart":"maschinell","loesung":[{"text":"Bewertete Bausteine: kNN ist ein überwachtes Klassifikationsverfahren, das auf bereits bewerteten Beispielproben beruht (1 P). Für die neue Probe wird über ihre numerischen Messwerte der Abstand (z. B. euklidische Distanz) zu allen bewerteten Proben berechnet (2 P). Es werden die k Proben mit dem geringsten Abstand als nächste Nachbarn ausgewählt; k legt fest, wie viele Nachbarn herangezogen werden (1 P). Die Klasse (anbaugeeignet / nicht anbaugeeignet), die unter diesen k Nachbarn überwiegt, wird der neuen Probe zugewiesen (2 P). Sinngemäß gleichwertige Formulierungen sind anzuerkennen. Summe: 6 Punkte.","typ":"absatz"}],"operator_id":"operator.erklaeren","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":6,"punkterahmen":{"max":6,"min":6},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-aa"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Eine Gesundheits-App erfasst über ein Armband Bewegungsdaten und soll für jede aufgezeichnete Episode automatisch erkennen, ob es sich um Gehen, Radfahren oder Treppensteigen handelt. Für viele bereits von Hand beschriftete Episoden liegen numerische Merkmale wie die durchschnittliche Beschleunigung, die Schrittfrequenz und die Herzfrequenz vor. Eine neue, noch nicht beschriftete Episode soll mit dem Verfahren k-nearest neighbors (kNN) einer der Bewegungsarten zugeordnet werden. Ein Teammitglied bittet Sie um eine verständliche Erklärung des Verfahrens.","typ":"absatz"},{"text":"Erklären Sie zusammenhängend, wie das kNN-Verfahren die neue Episode einer Bewegungsart zuordnet. Gehen Sie darauf ein, wie die Ähnlichkeit zu den beschrifteten Episoden berechnet wird, welche Bedeutung der Wert k hat und wie die abschließende Zuordnung getroffen wird.","typ":"absatz"}],"beispiel_id":"bsp-knn-erklaeren-freitextantwort-03","freigabeart":"maschinell","loesung":[{"text":"Bewertete Bausteine: kNN ist ein überwachtes Klassifikationsverfahren, das die neue Episode anhand beschrifteter Beispiel-Episoden einordnet (1 P). Über die numerischen Merkmale wird der Abstand (z. B. euklidische Distanz) der neuen Episode zu den beschrifteten Episoden berechnet; kleiner Abstand bedeutet hohe Ähnlichkeit (2 P). Es werden die k ähnlichsten (nächstgelegenen) Episoden als Nachbarn bestimmt; k gibt die Anzahl der betrachteten Nachbarn an (1 P). Die Bewegungsart, die unter diesen k Nachbarn am häufigsten auftritt (Mehrheitsentscheidung), wird der neuen Episode zugewiesen (2 P). Gleichwertige Formulierungen sind anzuerkennen. Summe: 6 Punkte.","typ":"absatz"}],"operator_id":"operator.erklaeren","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":6,"punkterahmen":{"max":6,"min":6},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-aa"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein Musik-Streaming-Anbieter möchte für jeden neu veröffentlichten Titel automatisch vorhersagen, ob ihn Hörerinnen und Hörer eher bis zum Ende hören oder vorzeitig überspringen. Das Analyseteam hat sich bereits festgelegt, diese Klassifikation mit dem k-nächste-Nachbarn-Verfahren (KNN) umzusetzen. Jeder Titel wird durch die rein numerischen Merkmale Tempo, Lautheit, Spieldauer und Energiewert beschrieben, die alle in vergleichbare Wertebereiche skaliert vorliegen. Der Katalog wächst täglich um viele neue Titel, die ohne erneutes Antrainieren des Modells sofort berücksichtigt werden sollen.","typ":"absatz"},{"text":"Begründen Sie die Eignung von KNN für dieses Vorhaben. Formulieren Sie dazu ein zusammenfassendes Urteil zur Eignung. Nennen Sie anschließend zum ersten Argumentfeld – die durchgängig numerischen, ähnlich skalierten Merkmale – einen fachlichen Sachgrund und eine konkrete Wirkung in diesem Szenario. Nennen Sie ebenso zum zweiten Argumentfeld – der täglich wachsende Katalog ohne erneutes Antrainieren – einen fachlichen Sachgrund und eine konkrete Wirkung.","typ":"absatz"}],"beispiel_id":"bsp-knn-begruenden-freitextantwort-01","freigabeart":"maschinell","loesung":[{"text":"5 Punkte, je 1 Punkt pro geforderter Position; fachlich gleichwertige Formulierungen sind anzuerkennen.\nUrteil (1 P): KNN ist für dieses Klassifikationsvorhaben gut geeignet.\nArgumentfeld 1 – Sachgrund (1 P): KNN klassifiziert über Abstände zwischen Datenpunkten; durchgängig numerische, ähnlich skalierte Merkmale gehen unmittelbar und ohne Verzerrung in die Distanzberechnung ein.\nArgumentfeld 1 – Wirkung (1 P): Die nächsten Nachbarn eines neuen Titels lassen sich anhand von Tempo, Lautheit, Spieldauer und Energiewert zuverlässig bestimmen, sodass die Skip-Vorhersage tragfähig wird.\nArgumentfeld 2 – Sachgrund (1 P): KNN ist instanzbasiert und benötigt keine eigene Trainingsphase; neue Beispiele werden lediglich der Datenbasis hinzugefügt.\nArgumentfeld 2 – Wirkung (1 P): Täglich neue Titel wirken sofort als mögliche Nachbarn und beeinflussen die Vorhersage, ohne dass das Modell neu trainiert werden muss.\nNicht bepunktet: Auswahl gegenüber anderen Verfahren, Festlegung oder Berechnung von k sowie Distanzberechnungen.","typ":"absatz"}],"operator_id":"operator.begruenden","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":5,"punkterahmen":{"max":5,"min":5},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-ab"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Die AgriSens-Genossenschaft betreibt ein Sensornetz auf mehreren Ackerflächen. Jede Messzelle liefert vier Merkmale: Bodenfeuchte, Bodentemperatur, Lichtsumme und Nährstoffindex. Alle vier Merkmale wurden per Min-Max-Verfahren auf den gemeinsamen Bereich 0 bis 1 normiert, sodass sie mit vergleichbarem Gewicht in die Abstandsberechnung eingehen. Aus früheren Anbauperioden liegen bereits mehrere zehntausend Messzellen vor, die jeweils als \"bewässerungsbedürftig\" oder \"ausreichend versorgt\" gekennzeichnet sind; täglich kommen neu gekennzeichnete Messzellen hinzu. Im normierten Merkmalsraum bilden die beiden Klassen keine geradlinig trennbaren Bereiche, sondern mehrere zusammenhängende, teils ineinandergreifende Zonen. Zur Einordnung neuer Messzellen soll das Verfahren k-nearest-neighbors (KNN) eingesetzt werden.","typ":"absatz"},{"text":"Begründen Sie die Eignung von KNN für diese Aufgabe. Geben Sie zunächst ein zusammenfassendes Eignungsurteil ab. Führen Sie anschließend zu den beiden Argumentfeldern (1) täglicher Zustrom neu gekennzeichneter Messzellen und (2) nicht geradlinig trennbare, lokal geclusterte Klassenlage jeweils einen fachlichen Sachgrund und eine konkrete Wirkung im Szenario an. Insgesamt sind fünf getrennte Begründungspositionen gefordert.","typ":"absatz"}],"beispiel_id":"bsp-knn-begruenden-freitextantwort-02","freigabeart":"maschinell","loesung":[{"text":"Bewertung: 5 Punkte, je Position 1 Punkt.","typ":"absatz"},{"text":"Position 1 – Eignungsurteil (1 P): KNN ist für die Klassifikation der Messzellen geeignet.","typ":"absatz"},{"text":"Argumentfeld 1 – täglicher Zustrom neuer Messzellen:","typ":"ueberschrift"},{"eintraege":["Sachgrund (1 P): KNN ist ein instanzbasiertes Verfahren (lazy learning) und baut kein vorab trainiertes Modell auf; neu gekennzeichnete Messzellen werden lediglich dem vorhandenen Datenbestand hinzugefügt.","Wirkung (1 P): Die täglich hinzukommenden Messzellen stehen dadurch ohne erneutes Modelltraining sofort für kommende Klassifikationen bereit."],"typ":"liste"},{"text":"Argumentfeld 2 – nicht geradlinig trennbare, lokal geclusterte Klassenlage:","typ":"absatz"},{"eintraege":["Sachgrund (1 P): KNN entscheidet lokal über die nächstgelegenen Nachbarn und setzt keine global geradlinige Trennfläche voraus; durch die einheitliche Min-Max-Normierung tragen alle vier Merkmale vergleichbar zur Abstandsberechnung bei.","Wirkung (1 P): Dadurch lassen sich auch die ineinandergreifenden Zonen anhand der lokalen Nachbarschaft zuordnen, was ein global geradlinig trennendes Verfahren nicht leisten würde."],"typ":"liste"},{"text":"Korrekturhinweis: Fachlich gleichwertige Formulierungen sind anzuerkennen. Für Position 1 genügt ein klares Eignungsurteil zugunsten von KNN. In den Überlappungsbereichen der Zonen bleiben Fehlklassifikationen möglich; eine garantiert korrekte Einordnung darf nicht gefordert werden. Die bloße Wiederholung derselben Wirkung in beiden Feldern wird nicht doppelt gewertet.","typ":"absatz"}],"operator_id":"operator.begruenden","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":5,"punkterahmen":{"max":5,"min":5},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-ab"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein Online-Versandhändler für Sportbekleidung möchte für jede eingehende Bestellung vorhersagen, ob der Artikel voraussichtlich zurückgesendet oder behalten wird. Ein kleines Team ohne Data-Science-Fachkräfte hat sich für das k-nächste-Nachbarn-Verfahren (KNN) entschieden. Als Grundlage dienen frühere Bestellungen, die durch einheitlich normierte numerische Merkmale beschrieben sind. Das Team möchte jede Vorhersage gegenüber der Fachabteilung an konkreten Vergleichsbestellungen nachvollziehbar machen und verfügt zugleich über keine Kapazität für ein aufwendiges, rechenintensives Modelltraining.","typ":"absatz"},{"text":"Begründen Sie die Eignung von KNN für diese Rücksendeprognose. Geben Sie dazu ein zusammenfassendes Urteil zur Eignung ab. Nennen Sie zum ersten Argumentfeld – die geforderte Nachvollziehbarkeit anhand konkreter Vergleichsbestellungen – einen fachlichen Sachgrund und eine konkrete Wirkung in diesem Szenario. Nennen Sie zum zweiten Argumentfeld – die fehlende Kapazität für ein aufwendiges Modelltraining – einen fachlichen Sachgrund und eine konkrete Wirkung.","typ":"absatz"}],"beispiel_id":"bsp-knn-begruenden-freitextantwort-03","freigabeart":"maschinell","loesung":[{"text":"5 Punkte, je 1 Punkt pro Position; gleichwertige Formulierungen sind anzuerkennen.\nUrteil (1 P): KNN ist für diese Rücksendeprognose gut geeignet.\nArgumentfeld 1 – Sachgrund (1 P): KNN stützt jede Zuordnung unmittelbar auf die tatsächlich nächstgelegenen bekannten Bestellungen und bildet keine abstrakte, verborgene Entscheidungsregel.\nArgumentfeld 1 – Wirkung (1 P): Das Team kann jede Rücksende-Vorhersage gegenüber der Fachabteilung durch konkret benennbare ähnliche Bestellungen erklären und dadurch nachvollziehbar begründen.\nArgumentfeld 2 – Sachgrund (1 P): KNN ist ein instanzbasiertes Verfahren ohne eigene Trainingsphase; die Beispieldaten werden lediglich gespeichert und erst bei der Anfrage ausgewertet.\nArgumentfeld 2 – Wirkung (1 P): Das kleine Team kann das Verfahren ohne rechenintensives Training und ohne Spezialwissen in Betrieb nehmen und pflegen.\nNicht bepunktet: Auswahl gegenüber anderen Verfahren, Festlegung oder Berechnung von k, Distanzberechnung.","typ":"absatz"}],"operator_id":"operator.begruenden","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":5,"punkterahmen":{"max":5,"min":5},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-ab"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Die GrünVital Gartenbau eG betreibt beheizte Gewächshäuser und möchte für jede Pflanzstelle automatisch erkennen, ob eine Pflanze aktuell „gesund“ oder „gestresst“ ist. Dazu liefern Sensoren fortlaufend ausschließlich numerische Messwerte: Bodenfeuchte in Prozent, Luftfeuchte in Prozent, Blatttemperatur in Grad Celsius, Lichtstärke in Lux und CO₂-Gehalt in ppm. Alle Merkmale sind stetig und lassen sich auf vergleichbare Wertebereiche normieren. Pflanzstellen mit ähnlichen Messprofilen erhalten erfahrungsgemäß denselben Zustand; die Grenze zwischen gesund und gestresst folgt keiner einfachen Schwellenregel, sondern der Nähe zu bereits bewerteten Fällen. Neue Messreihen kommen im Minutentakt hinzu, sodass der Trainingsbestand ständig wächst. Für die Klassifikation stehen die Verfahren k-nearest neighbors (kNN) und ein Entscheidungsbaum nach dem id3-Algorithmus zur Auswahl. Entscheiden Sie sich begründet für genau eines der beiden Verfahren. Benennen Sie zusätzlich ausdrücklich das von Ihnen ausgeschlossene Verfahren und führen Sie drei aus der beschriebenen Datenlage abgeleitete Entscheidungskriterien an.","typ":"absatz"}],"beispiel_id":"bsp-knn-entscheiden-freitextantwort-01","freigabeart":"maschinell","loesung":[{"text":"Insgesamt 5 Punkte, je bepunkteter Position 1 Punkt; fachlich gleichwertige Formulierungen sind anzuerkennen.\n(1) Auswahl: Entscheidung für k-nearest neighbors (kNN) – 1 P.\n(2) Ausschluss: Der Entscheidungsbaum nach id3 wird ausdrücklich abgelehnt – 1 P.\n(3) Kriterium: Alle Merkmale sind stetig/numerisch und normierbar, sodass Abstände unmittelbar berechenbar sind und keine Umwandlung in Kategorien nötig ist – 1 P.\n(4) Kriterium: Der Trainingsbestand wächst fortlaufend (Messreihen im Minutentakt); kNN bezieht neue bewertete Fälle als Nachbarn ohne vollständigen Neuaufbau ein, während der Baum jeweils neu trainiert werden müsste – 1 P.\n(5) Kriterium: Die Klassengrenze ist nicht über einfache Schwellen, sondern über die Nähe zu bewerteten Fällen beschreibbar; kNN bildet ähnliche Messprofile passend ab, während achsenparallele Baumschnitte die Grenze nur grob treffen bzw. zu Overfitting neigen – 1 P. Andere sachlich tragfähige, datengestützte Kriterien (z. B. keine sinnvolle Kategorisierung stetiger Sensordaten) gelten als gleichwertig.","typ":"absatz"}],"operator_id":"operator.entscheiden","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":5,"punkterahmen":{"max":5,"min":5},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-ab"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Die Regionalkasse Nordhügel prüft eingehende Ratenkreditanträge und ordnet jeden Antrag der Klasse „bewilligen“ oder „ablehnen“ zu. Für die Klassifikation liegen überwiegend kategoriale Merkmale vor: Beschäftigungsart (angestellt, selbstständig, verbeamtet, arbeitslos), Familienstand, Wohnsituation (Miete oder Eigentum), Verwendungszweck sowie das bisherige Zahlungsverhalten (pünktlich oder verspätet). Nur zwei Merkmale sind numerisch. Die Bankenaufsicht verlangt, dass jede Ablehnung mit einem nachvollziehbaren, in Worten formulierten Regelwerk begründet werden kann, das Prüferinnen und Prüfer im Nachhinein kontrollieren. Neue Anträge treffen selten ein; das Modell wird einmal jährlich gebündelt neu aufgebaut. Für die Umsetzung stehen k-nearest neighbors (kNN) und ein Entscheidungsbaum nach dem id3-Algorithmus zur Auswahl. Entscheiden Sie sich begründet für genau eines der beiden Verfahren. Benennen Sie ausdrücklich das ausgeschlossene Verfahren und stützen Sie Ihre Wahl auf drei aus der beschriebenen Datenlage abgeleitete Kriterien.","typ":"absatz"}],"beispiel_id":"bsp-knn-entscheiden-freitextantwort-02","freigabeart":"maschinell","loesung":[{"text":"Insgesamt 5 Punkte, je bepunkteter Position 1 Punkt; fachlich gleichwertige Formulierungen sind anzuerkennen.\n(1) Auswahl: Entscheidung für den Entscheidungsbaum nach id3 – 1 P.\n(2) Ausschluss: k-nearest neighbors (kNN) wird ausdrücklich abgelehnt – 1 P.\n(3) Kriterium: Die Merkmale sind überwiegend kategorial; id3 verarbeitet Kategorien direkt über den Informationsgewinn, während für kNN keine sinnvolle Abstandsberechnung ohne aufwändige Kodierung möglich ist – 1 P.\n(4) Kriterium: Aufsichtsrechtlich ist ein lesbares Regelwerk gefordert; der Baum liefert transparente Wenn-dann-Regeln, während kNN einen Einzelfall nur über Nachbarn begründet und schlecht als Regelwerk darstellbar ist – 1 P.\n(5) Kriterium: Neue Anträge sind selten und das Modell wird jährlich im Batch neu aufgebaut; die Unflexibilität des Baums gegenüber neuen Daten fällt daher nicht ins Gewicht, der laufende Anpassungsvorteil von kNN wird nicht benötigt – 1 P. Andere sachlich tragfähige, datengestützte Kriterien gelten als gleichwertig.","typ":"absatz"}],"operator_id":"operator.entscheiden","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":5,"punkterahmen":{"max":5,"min":5},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-ab"]},{"artefakt_id":"artefakt.freitextantwort","aufgabe":[{"text":"Ein regionaler Onlinehändler für Haushaltsgeräte erhält täglich viele Reklamationsmeldungen. Ein Assistenzsystem soll jede Meldung automatisch in die Klassen „berechtigt“ und „nicht berechtigt“ einordnen und so die Sachbearbeitung entlasten. Die Trainingsdaten bestehen fast nur aus kategorialen Merkmalen ohne natürliche Rangfolge; numerische Größen fehlen.","typ":"absatz"},{"kopf":["Meldung-ID","Produktkategorie","Meldegrund","Garantiestatus","Meldekanal","Klasse"],"typ":"tabelle","zeilen":[["R-101","Großgerät","Funktionsfehler","innerhalb","Formular","berechtigt"],["R-102","Zubehör","Bedienfehler","innerhalb","Telefon","nicht berechtigt"],["R-103","Kleingerät","Transportschaden","innerhalb","E-Mail","berechtigt"],["R-104","Großgerät","optischer Mangel","abgelaufen","Telefon","nicht berechtigt"],["R-105","Kleingerät","Funktionsfehler","abgelaufen","Formular","nicht berechtigt"]]},{"text":"Jede Einstufung muss die Sachbearbeitung gegenüber Kunden und interner Revision nachvollziehbar mit einer klaren Regel begründen können. Das Merkmalsset ist klein, und die Kategoriewerte trennen die beiden Klassen deutlich. Zur Auswahl stehen k-Nearest-Neighbors (kNN) und ein Entscheidungsbaum nach dem ID3-Verfahren.","typ":"absatz"},{"text":"Entscheiden Sie sich anhand der beschriebenen Datenlage für genau eines der beiden Verfahren, schließen Sie das andere ausdrücklich aus und stützen Sie Ihre Entscheidung auf genau drei voneinander unabhängige, an den Datenmerkmalen belegte Kriterien.","typ":"absatz"}],"beispiel_id":"bsp-knn-entscheiden-freitextantwort-03","freigabeart":"maschinell","loesung":[{"text":"5 Punkte, je Position 1 Punkt; fachlich gleichwertige, datenbelegte Formulierungen sind anzuerkennen.","typ":"absatz"},{"text":"1. Auswahl (1 P): Entscheidung für den Entscheidungsbaum (ID3).\n2. Ausschluss (1 P): kNN wird ausdrücklich verworfen.\n3. Kriterium (1 P): Die Merkmale sind rein kategorial ohne Rangfolge; kNN kann darauf keine sinnvollen Distanzen bilden, während der Entscheidungsbaum Kategoriewerte direkt aufspaltet.\n4. Kriterium (1 P): Für Kunden und Revision ist eine nachvollziehbare Regel gefordert; der Entscheidungsbaum liefert lesbare Entscheidungspfade, kNN bleibt intransparent.\n5. Kriterium (1 P): Das kleine Merkmalsset mit klar trennenden Kategoriewerten führt zu kompakten, eindeutigen Baumregeln.","typ":"absatz"},{"text":"Gleichwertige, datenbelegte Kriterien (z. B. keine Skalierung/Normierung nötig, robuste Verarbeitung nominaler Werte) sind anzuerkennen. Nicht verlangt und nicht bepunktet: Verfahrensdefinition, Distanz- oder Entropieberechnung, Festlegung von k, weitere Kriterien.","typ":"absatz"}],"operator_id":"operator.entscheiden","pruefungszuordnung":{"berufe":["FIDP"],"teil":"AP2"},"punkte":5,"punkterahmen":{"max":5,"min":5},"quellen":["ap2-fidp-2024-winter-fdp2-a02-a-ab"]}],"konzept_id":"fachkonzept.knn","schema_version":3}