added crisp-dm

Acronyms.tex

@@ -29,4 +29,6 @@
     \acro{ID3}{Iterative Dichotomizer 3}
     \acro{KNN}{Künstliches Neuronales Netz}
     \acrodefplural{KNN}{Künstliche Neuronale Netze}
+    \acro{CRISP}{Cross-Industry Standard Process}
+    \acro{CRISP-DM}{\acs{CRISP} for Data Mining}
 \end{acronym}

Readme.md

@@ -4,7 +4,7 @@ Dieses Repo beinhaltet die $\LaTeX$ Informationen für die Zusammenfassung im Fa
 ## Änderungen für die Zusammenfassung
 - [ ] Lineare Programmierung hinzufügen
 - [x] Automated Machine Learning
-- [ ] CRISP-DM (Übung 7)
+- [x] CRISP-DM (Übung 7)
 - [x] Informationsbasiertes Lernen
   - [x] Entscheidungsbaum
   - [x] Entropie

chapters/Maschinelles Lernen/Einführung.tex

@@ -119,6 +119,59 @@
         Ein typisches Beispiel für einen Hyperparameter ist die Anzahl der zu erreichenden Cluster.
         Dieser Hyperparameter muss vielen Clustering-Algorithmen übergeben werden.
 
+    \section{\acf{CRISP-DM}}
+    \label{ml: crisp-dm}
+        Ein mögliches Prozessmodell für den Entwurf von \ac{ML}-Anwendungen ist \ac{CRISP-DM}.
+        \begin{center}
+            \includegraphics[width = .6\textwidth]{CRISP-DM_Process_Diagram.png}
+        \end{center}
+        
+        \paragraph{Geschäftsverständnis}
+            \begin{itemize}
+                \item Welcher Geschätsprozess muss/kann optimiert werden?
+                \item Kann die Analyse von Daten helfen?
+                \item Nutzung von Domänenwissen und Experten
+            \end{itemize}
+
+        \paragraph{Datenverständnis}
+            \begin{itemize}
+                \item Welche Daten stehen wo und wie zur Verfügung?
+                \item Wie können benötigte Daten erfasst werden?
+                \item Wie können Daten aus unterschiedlichen Quellen zusammengeführt werden?
+                \item Visualisierung der Daten
+                \item Überprüfung der Daten mit Domänenwissen
+            \end{itemize}
+
+        \paragraph{Vorerarbeitung}
+            \begin{itemize}
+                \item Sind die Daten vollständig?
+                \item Gibt es Fehler in meinen Daten oder fehlende Daten?
+                \item Müssen oder können die Daten aufbereitet und bereinigt werden? (evtl. Domänenwissen hilfreich)
+                \item Wie müssen Die Daten für meinen Algorithmus vorverarbeitet werden?
+            \end{itemize}
+
+        \paragraph{Modellbildung}
+            \begin{itemize}
+                \item Welche Algorithmen können für die Daten zum Einsatz kommen?
+                \item Welche Algorithmen sind vielversprechend?
+                \item Modelle entwerfen und vergleichen
+            \end{itemize}
+
+        \paragraph{Evaluatoin}
+            \begin{itemize}
+                \item Löst das Modell mein Problem zufriedenstellend?
+                \item Wird der Geschäftsprozess verbessert?
+                \item Sind die Ergebnisse nachvollziehbar?
+                \item Ist der Einsatz meines Modells zuverlässig?
+            \end{itemize}    
+
+        \paragraph{Modell bereitstellen}
+            \begin{itemize}
+                \item Wie kann die Anwendung skaliert werden?
+                \item Wie kann die Leistung des Modells kontinuierlich überwacht werden?
+                \item Wie wird reagiert, wenn die Leistung des Modells abnimmt? (z.B. durch Concept Drift)
+            \end{itemize}
+
     \section{Auswahl des \ac{ML}-Algorithmus}
     \label{ml: algorithmus-auswahl}
         \includegraphics[width = \textwidth]{machine-learning-cheet-sheet.png}