Grundlagen: Daten f\u00fcr KI<\/title>\n <style>\n :root {\n --font-family-display: Arial, sans-serif;\n --font-weight-display: 600;\n --font-family-content: Arial, sans-serif;\n --font-weight-content: 400;\n --font-size-content: 16px;\n --line-height-content: 1.4;\n }\n\n body.theme-dark {\n --color-bg-base: #0f172a;\n --color-bg-elevated: #020617;\n --color-bg-surface: #1e293b;\n --color-bg-muted: #334155;\n --color-text-primary: #f1f5f9;\n --color-text-secondary: #cbd5e1;\n --color-text-muted: #94a3b8;\n --color-text-accent: #38bdf8;\n --color-primary: #38bdf8;\n --color-primary-foreground: #0f172a;\n }\n\n * {\n margin: 0;\n padding: 0;\n box-sizing: border-box;\n }\n\n body {\n font-family: var(--font-family-content);\n font-weight: var(--font-weight-content);\n font-size: var(--font-size-content);\n line-height: var(--line-height-content);\n overflow-x: hidden;\n background-color: #020617;\n color: #f1f5f9;\n }\n\n .slide {\n width: 100%;\n max-width: 960px;\n margin: 0 auto 20px;\n display: flex;\n flex-direction: column;\n }\n\n .row { flex-direction: row; }\n .col { flex-direction: column; }\n .center {\n justify-content: center;\n align-items: center;\n text-align: center;\n }\n\n .p-16 { padding: 4rem 1.5rem; }\n\n .mb-2 { margin-bottom: 0.5rem; }\n .mb-4 { margin-bottom: 1rem; }\n .mb-6 { margin-bottom: 1.5rem; }\n .mb-8 { margin-bottom: 2rem; }\n\n .mt-4 { margin-top: 1rem; }\n .mt-8 { margin-top: 2rem; }\n\n h1, h2, h3 {\n font-family: var(--font-family-display);\n font-weight: var(--font-weight-display);\n line-height: 1.2;\n margin: 0;\n }\n\n h1 { font-size: 3rem; }\n h2 { font-size: 2.25rem; }\n h3 { font-size: 1.75rem; }\n\n .text-6xl { font-size: 3.75rem; }\n .text-4xl { font-size: 2.25rem; }\n .text-2xl { font-size: 1.5rem; }\n .text-xl { font-size: 1.25rem; }\n .text-lg { font-size: 1.125rem; }\n .text-sm { font-size: 0.875rem; }\n\n .text-center { text-align: center; }\n\n ul, ol {\n margin-left: 1.5rem;\n margin-top: 0.5rem;\n line-height: 1.8;\n }\n\n li { margin-bottom: 0.5rem; }\n\n .table {\n border-collapse: collapse;\n width: 100%;\n font-size: 0.95rem;\n margin-top: 0.5rem;\n }\n\n .table th,\n .table td {\n border: 1px solid #475569;\n padding: 0.5rem 0.75rem;\n text-align: left;\n vertical-align: top;\n }\n\n .table th {\n background-color: #1e293b;\n color: #e2e8f0;\n }\n\n a {\n color: #38bdf8;\n text-decoration: none;\n }\n a:hover {\n text-decoration: underline;\n }\n <\/style>\n<\/head>\n<body class=\"theme-dark\">\n\n \n <section class=\"slide p-16 center\">\n <h1 class=\"text-6xl mb-4\" style=\"color: #38bdf8;\">Daten f\u00fcr KI verstehen<\/h1>\n <p class=\"text-2xl\" style=\"color: #cbd5e1;\">Gelabelt, ungelabelt & Semi-supervised Learning<\/p>\n <p class=\"text-sm mt-8\" style=\"color: #94a3b8;\">Kursmodul: Datenbasis f\u00fcr KI-Projekte<\/p>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Ziele dieses Moduls<\/h2>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Verstehen, was gelabelte und ungelabelte Daten sind.<\/li>\n <li>Einordnen, wann welche Datenart sinnvoll ist.<\/li>\n <li>Grundidee von Semi-supervised Learning mit gemischten Daten.<\/li>\n <li>\u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten.<\/li>\n <li>Strategien kennen, wenn (noch) keine eigenen Daten vorhanden sind \u2013 inkl. Web-Scraping & APIs.<\/li>\n <li>In einer 30-Minuten-Gruppenarbeit einen Use Case, Datenquellen und zu scrapende Felder skizzieren.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Gelabelte Daten<\/h2>\n <p class=\"text-lg mb-6\" style=\"color: #cbd5e1;\">\n Gelabelte Daten sind Beispiele mit bekannter \u201erichtiger Antwort\u201c (Label), z.B. Kunden mit Attributen und Spalte \u201egekauft: ja\/nein\u201c.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Erm\u00f6glichen \u00fcberwachtes Lernen (Supervised Learning).<\/li>\n <li>F\u00fchren zu hohen Modellgenauigkeiten bei klaren Vorhersageaufgaben.<\/li>\n <li>Aber: Label-Erstellung ist aufw\u00e4ndig, teuer und fehleranf\u00e4llig.<\/li>\n <li>Labels spiegeln Domainwissen \u2013 k\u00f6nnen aber auch Bias enthalten.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Ungelabelte Daten<\/h2>\n <p class=\"text-lg mb-6\" style=\"color: #cbd5e1;\">\n Ungelabelte Daten sind Rohdaten ohne Zielspalte, z.B. Logfiles, Textsammlungen oder Bilder ohne Beschriftung.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Sehr leicht und in gro\u00dfen Mengen verf\u00fcgbar.<\/li>\n <li>N\u00fctzlich f\u00fcr Mustererkennung, Clustering, Anomalieerkennung.<\/li>\n <li>Direkt schwieriger f\u00fcr \u201ekonkrete Antworten\u201c nutzbar.<\/li>\n <li>Werden oft mit wenigen Labels kombiniert (Semi-supervised Learning).<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-8\" style=\"color: #38bdf8;\">Flussdiagramm: Welche Daten habe ich?<\/h2>\n <p class=\"text-lg\" style=\"color: #cbd5e1;\">\n Vereinfachtes Entscheidungsdiagramm zur Einordnung deiner Daten:\n <\/p>\n <div style=\"color: #cbd5e1; margin-top: 1rem;\">\n <p><strong>Start:<\/strong> Liegen Beispiele mit Eingabedaten vor? \u2192 Ja<\/p>\n <p>\u2193<\/p>\n <p><strong>Frage:<\/strong> Gibt es zu jedem Beispiel eine bekannte \u201erichtige Antwort\u201c (Label)?<\/p>\n <p>\u2193<\/p>\n <p><strong>Ja \u2192<\/strong> Gelabelte Daten \u2192 Supervised Learning (z.B. Klassifikation, Regression).<\/p>\n <p><strong>Nein \u2192<\/strong> Ungelabelte Daten \u2192 Unsupervised Learning (z.B. Clustering, Anomalien).<\/p>\n <p>\u2193<\/p>\n <p><strong>Gemischt \u2192<\/strong> Teilweise gelabelt, viele ungelabelt \u2192 Semi-supervised Learning m\u00f6glich.<\/p>\n <\/div>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Semi-supervised Learning<\/h2>\n <p class=\"text-lg mb-6\" style=\"color: #cbd5e1;\">\n Semi-supervised Learning kombiniert wenige gelabelte mit vielen ungelabelten Daten, um das Beste aus beiden Welten zu nutzen.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Ein kleiner gelabelter Datensatz trainiert ein erstes Modell.<\/li>\n <li>Das Modell erzeugt Pseudo-Labels f\u00fcr viele ungelabelte Beispiele.<\/li>\n <li>Diese Pseudo-Labels werden (vorsichtig) zur weiteren Verbesserung genutzt.<\/li>\n <li>Ziel: bessere Performance als nur mit wenigen gelabelten Daten \u2013 bei geringeren Labelkosten.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-8\" style=\"color: #38bdf8;\">Flussdiagramm: Semi-supervised Learning<\/h2>\n <div style=\"color: #cbd5e1;\">\n <p><strong>1.<\/strong> Kleine Menge gelabelter Daten sammeln.<\/p>\n <p>\u2193<\/p>\n <p><strong>2.<\/strong> Erstes Modell mit gelabelten Daten trainieren.<\/p>\n <p>\u2193<\/p>\n <p><strong>3.<\/strong> Modell auf viele ungelabelte Daten anwenden \u2192 Pseudo-Labels erzeugen.<\/p>\n <p>\u2193<\/p>\n <p><strong>4.<\/strong> Gelabelte + ausgew\u00e4hlte Pseudo-gelabelte Daten kombinieren.<\/p>\n <p>\u2193<\/p>\n <p><strong>5.<\/strong> Modell erneut trainieren und evaluieren.<\/p>\n <p>\u2193<\/p>\n <p><strong>Ergebnis:<\/strong> Besseres Modell mit weniger manuellem Labelaufwand.<\/p>\n <\/div>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Datenpools und Einsatzm\u00f6glichkeiten<\/h2>\n <p class=\"text-lg mb-4\" style=\"color: #cbd5e1;\">\n Beispiele f\u00fcr typische Datenquellen und geeignete Eins\u00e4tze:\n <\/p>\n <table class=\"table\">\n <thead>\n <tr>\n <th>Datenpool<\/th>\n <th>Beispiele (mit Links)<\/th>\n <th>Geeignete Aufgaben<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>Transaktions- & Logdaten (strukturiert, meist ungelabelt)<\/td>\n <td>\n Web-Logs (eigene Systeme), Klickdaten (Analytics), Sensorwerte<br \/>\n Inspiration f\u00fcr Beispiel-Datens\u00e4tze:<br \/>\n \u2013 <a href=\"https:\/\/www.kaggle.com\/datasets\" target=\"_blank\" rel=\"noopener noreferrer\">kaggle.com\/datasets<\/a><br \/>\n \u2013 <a href=\"https:\/\/registry.opendata.aws\/\" target=\"_blank\" rel=\"noopener noreferrer\">registry.opendata.aws<\/a>\n <\/td>\n <td>Clustering, Anomalieerkennung, Semi-supervised f\u00fcr Betrugserkennung<\/td>\n <\/tr>\n <tr>\n <td>CRM-\/ERP-Daten (strukturiert, oft gelabelt)<\/td>\n <td>\n Eigene CRM-\/ERP-Systeme (Salesforce, SAP, HubSpot)<br \/>\n Produktseiten:<br \/>\n \u2013 <a href=\"https:\/\/www.salesforce.com\/eu\/\" target=\"_blank\" rel=\"noopener noreferrer\">salesforce.com<\/a><br \/>\n \u2013 <a href=\"https:\/\/www.sap.com\" target=\"_blank\" rel=\"noopener noreferrer\">sap.com<\/a><br \/>\n \u2013 <a href=\"https:\/\/www.hubspot.com\" target=\"_blank\" rel=\"noopener noreferrer\">hubspot.com<\/a>\n <\/td>\n <td>Churn-Prediction, Next-Best-Offer, Risikoscoring<\/td>\n <\/tr>\n <tr>\n <td>Textdaten<\/td>\n <td>\n E-Mails, Tickets, Dokumente aus eigenen Systemen<br \/>\n Open-Textdaten:<br \/>\n \u2013 <a href=\"https:\/\/data.europa.eu\" target=\"_blank\" rel=\"noopener noreferrer\">data.europa.eu<\/a><br \/>\n \u2013 <a href=\"https:\/\/opendata.swiss\" target=\"_blank\" rel=\"noopener noreferrer\">opendata.swiss<\/a>\n <\/td>\n <td>Textklassifikation, Sentiment, Clustering von Themen<\/td>\n <\/tr>\n <tr>\n <td>Bild- & Videodaten<\/td>\n <td>\n Produktbilder, Qualit\u00e4tskontrolle, Kamerastreams<br \/>\n Open-Datasets:<br \/>\n \u2013 <a href=\"https:\/\/www.image-net.org\" target=\"_blank\" rel=\"noopener noreferrer\">image-net.org<\/a><br \/>\n \u2013 <a href=\"https:\/\/cocodataset.org\" target=\"_blank\" rel=\"noopener noreferrer\">cocodataset.org<\/a>\n <\/td>\n <td>Objekterkennung, Qualit\u00e4tspr\u00fcfung, Semi-supervised f\u00fcr seltene Klassen<\/td>\n <\/tr>\n <tr>\n <td>Open Data & externe Daten<\/td>\n <td>\n Open-Data-Portale, Wetter-, Geo-, Markt-Daten<br \/>\n \u2013 <a href=\"https:\/\/www.govdata.de\" target=\"_blank\" rel=\"noopener noreferrer\">govdata.de<\/a><br \/>\n \u2013 <a href=\"https:\/\/opendata.dwd.de\" target=\"_blank\" rel=\"noopener noreferrer\">opendata.dwd.de<\/a><br \/>\n \u2013 <a href=\"https:\/\/data.europa.eu\" target=\"_blank\" rel=\"noopener noreferrer\">data.europa.eu<\/a>\n <\/td>\n <td>Feature-Erweiterung, Kontextinformationen, Explorationsanalysen<\/td>\n <\/tr>\n <tr>\n <td>Web-Scraping & APIs<\/td>\n <td>\n Produktpreise, Stellenanzeigen, Bewertungsportale, News, Social Media<br \/>\n Typische APIs\/Webquellen:<br \/>\n \u2013 <a href=\"https:\/\/openweathermap.org\/api\" target=\"_blank\" rel=\"noopener noreferrer\">openweathermap.org\/api<\/a><br \/>\n \u2013 <a href=\"https:\/\/newsapi.org\" target=\"_blank\" rel=\"noopener noreferrer\">newsapi.org<\/a><br \/>\n \u2013 <a href=\"https:\/\/developer.twitter.com\/en\/docs\/twitter-api\" target=\"_blank\" rel=\"noopener noreferrer\">developer.twitter.com<\/a>\n <\/td>\n <td>Datenaufbau bei \u201eNullbestand\u201c, Marktbeobachtung, Feature-Anreicherung f\u00fcr Modelle<\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Was tun, wenn keine eigenen Daten vorhanden?<\/h2>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>\n Open Data nutzen:<br \/>\n \u2013 <a href=\"https:\/\/data.europa.eu\" target=\"_blank\" rel=\"noopener noreferrer\">data.europa.eu<\/a><br \/>\n \u2013 <a href=\"https:\/\/www.govdata.de\" target=\"_blank\" rel=\"noopener noreferrer\">govdata.de<\/a><br \/>\n \u2013 <a href=\"https:\/\/opendata.swiss\" target=\"_blank\" rel=\"noopener noreferrer\">opendata.swiss<\/a>\n <\/li>\n <li>\n APIs anzapfen (strukturierte Daten direkt beziehen):<br \/>\n \u2013 <a href=\"https:\/\/openweathermap.org\/api\" target=\"_blank\" rel=\"noopener noreferrer\">OpenWeatherMap<\/a><br \/>\n \u2013 <a href=\"https:\/\/newsapi.org\" target=\"_blank\" rel=\"noopener noreferrer\">NewsAPI<\/a><br \/>\n \u2013 <a href=\"https:\/\/developer.twitter.com\/en\/docs\/twitter-api\" target=\"_blank\" rel=\"noopener noreferrer\">Twitter API<\/a>\n <\/li>\n <li>\n Web-Scraping: Daten von Webseiten extrahieren (Rechtslage beachten!) \u2013 z.B. Preisportale, Jobb\u00f6rsen, Bewertungsplattformen.\n <\/li>\n <li>\n Synthetische Daten generieren (f\u00fcr Prototypen): z.B. mit<br \/>\n \u2013 <a href=\"https:\/\/scikit-learn.org\/stable\/modules\/classes.html#samples-generator\" target=\"_blank\" rel=\"noopener noreferrer\">scikit-learn sample generators<\/a><br \/>\n \u2013 eigenen Simulationsskripten.\n <\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Web-Scraping & APIs<\/h2>\n <p class=\"text-lg mb-4\" style=\"color: #cbd5e1;\">\n Grundprinzip: HTML-Inhalte parsen oder strukturierte Daten \u00fcber API abrufen.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>\n Typische Tools:<br \/>\n \u2013 <a href=\"https:\/\/www.crummy.com\/software\/BeautifulSoup\/bs4\/doc\/\" target=\"_blank\" rel=\"noopener noreferrer\">BeautifulSoup<\/a> (HTML-Parsing)<br \/>\n \u2013 <a href=\"https:\/\/scrapy.org\" target=\"_blank\" rel=\"noopener noreferrer\">Scrapy<\/a> (Framework f\u00fcr Crawler)<br \/>\n \u2013 <a href=\"https:\/\/www.selenium.dev\" target=\"_blank\" rel=\"noopener noreferrer\">Selenium<\/a> (f\u00fcr dynamische Seiten)\n <\/li>\n <li>\n APIs (REST, JSON):<br \/>\n \u2013 <a href=\"https:\/\/openweathermap.org\/api\" target=\"_blank\" rel=\"noopener noreferrer\">OpenWeatherMap<\/a><br \/>\n \u2013 <a href=\"https:\/\/newsapi.org\" target=\"_blank\" rel=\"noopener noreferrer\">NewsAPI<\/a><br \/>\n \u2013 <a href=\"https:\/\/developer.twitter.com\/en\/docs\/twitter-api\" target=\"_blank\" rel=\"noopener noreferrer\">Twitter API<\/a>\n <\/li>\n <li>Rechtlich: robots.txt, AGB und DSGVO sorgf\u00e4ltig pr\u00fcfen; sensible Daten vermeiden.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Gruppenarbeit: Use Case & Datenquellen<\/h2>\n <p class=\"text-lg mb-4\" style=\"color: #cbd5e1;\">\n Bildet Gruppen \u00e0 3\u20134 Personen. Arbeitet 30 Minuten an folgendem:\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>W\u00e4hlt einen Use Case (z.B. Preisvergleich, Sentiment-Analyse).<\/li>\n <li>Identifiziert m\u00f6gliche Datenquellen (Webseiten, APIs, Open Data).<\/li>\n <li>Skizziert, welche Felder ihr scrapen\/abfragen w\u00fcrdet.<\/li>\n <li>Bereitet eine 2-Minuten-Pr\u00e4sentation vor (Use Case, Quelle, Felder).<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Takeaways f\u00fcr deinen Kurs<\/h2>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Gelabelte Daten = \u201eDaten mit L\u00f6sung\u201c \u2192 n\u00f6tig f\u00fcr Vorhersagemodelle.<\/li>\n <li>Ungelabelte Daten = \u201eRohmaterial\u201c \u2192 reichlich vorhanden, gut f\u00fcr Muster.<\/li>\n <li>Semi-supervised Learning kombiniert beides, um Kosten und Performance auszubalancieren.<\/li>\n <li>Datenpools bewusst ausw\u00e4hlen: Welche Quellen passen am besten zu deinem Use Case?<\/li>\n <li>Auch ohne eigene Daten kannst du starten \u2013 dank Open Data, APIs und Web-Scraping.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16 center\">\n <h2 class=\"text-4xl mb-6\" style=\"color: #38bdf8;\">Fragen & Diskussion<\/h2>\n <p class=\"text-xl\" style=\"color: #cbd5e1;\">\n Welche Datenquellen und Scraping-Ideen aus der Gruppenarbeit wollt ihr als n\u00e4chstes konkret ausprobieren?\n <\/p>\n <\/section>\n\n<\/body>\n<\/html>\n\n","protected":false},"excerpt":{"rendered":"<p>Grundlagen: Daten f\u00fcr KI Daten f\u00fcr KI verstehen Gelabelt, ungelabelt & Semi-supervised Learning Kursmodul: Datenbasis f\u00fcr KI-Projekte Ziele dieses Moduls Verstehen, was gelabelte und ungelabelte Daten sind. Einordnen, wann welche Datenart sinnvoll ist. Grundidee von Semi-supervised Learning mit gemischten Daten. \u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten. Strategien kennen, wenn (noch) keine eigenen Daten vorhanden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-55","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>Daten - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/daten\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Daten - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"Grundlagen: Daten f\u00fcr KI Daten f\u00fcr KI verstehen Gelabelt, ungelabelt & Semi-supervised Learning Kursmodul: Datenbasis f\u00fcr KI-Projekte Ziele dieses Moduls Verstehen, was gelabelte und ungelabelte Daten sind. Einordnen, wann welche Datenart sinnvoll ist. Grundidee von Semi-supervised Learning mit gemischten Daten. \u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten. Strategien kennen, wenn (noch) keine eigenen Daten vorhanden […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/daten\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-27T15:05:28+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"4\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/\",\"name\":\"Daten - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-02-27T14:50:22+00:00\",\"dateModified\":\"2026-02-27T15:05:28+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Daten\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"Daten - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/daten\/","og_locale":"de_DE","og_type":"article","og_title":"Daten - KI Marketing","og_description":"Grundlagen: Daten f\u00fcr KI Daten f\u00fcr KI verstehen Gelabelt, ungelabelt & Semi-supervised Learning Kursmodul: Datenbasis f\u00fcr KI-Projekte Ziele dieses Moduls Verstehen, was gelabelte und ungelabelte Daten sind. Einordnen, wann welche Datenart sinnvoll ist. Grundidee von Semi-supervised Learning mit gemischten Daten. \u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten. Strategien kennen, wenn (noch) keine eigenen Daten vorhanden […]","og_url":"https:\/\/metalmotion.de\/kim\/daten\/","og_site_name":"KI Marketing","article_modified_time":"2026-02-27T15:05:28+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"4\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/daten\/","url":"https:\/\/metalmotion.de\/kim\/daten\/","name":"Daten - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-02-27T14:50:22+00:00","dateModified":"2026-02-27T15:05:28+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/daten\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/daten\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/daten\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"Daten"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/55","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=55"}],"version-history":[{"count":3,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/55\/revisions"}],"predecessor-version":[{"id":60,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/55\/revisions\/60"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=55"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

{"id":55,"date":"2026-02-27T15:50:22","date_gmt":"2026-02-27T14:50:22","guid":{"rendered":"https:\/\/metalmotion.de\/kim\/?page_id=55"},"modified":"2026-02-27T16:05:28","modified_gmt":"2026-02-27T15:05:28","slug":"daten","status":"publish","type":"page","link":"https:\/\/metalmotion.de\/kim\/daten\/","title":{"rendered":"Daten"},"content":{"rendered":"\n\n\n\n \n \n Grundlagen: Daten f\u00fcr KI<\/title>\n <style>\n :root {\n --font-family-display: Arial, sans-serif;\n --font-weight-display: 600;\n --font-family-content: Arial, sans-serif;\n --font-weight-content: 400;\n --font-size-content: 16px;\n --line-height-content: 1.4;\n }\n\n body.theme-dark {\n --color-bg-base: #0f172a;\n --color-bg-elevated: #020617;\n --color-bg-surface: #1e293b;\n --color-bg-muted: #334155;\n --color-text-primary: #f1f5f9;\n --color-text-secondary: #cbd5e1;\n --color-text-muted: #94a3b8;\n --color-text-accent: #38bdf8;\n --color-primary: #38bdf8;\n --color-primary-foreground: #0f172a;\n }\n\n * {\n margin: 0;\n padding: 0;\n box-sizing: border-box;\n }\n\n body {\n font-family: var(--font-family-content);\n font-weight: var(--font-weight-content);\n font-size: var(--font-size-content);\n line-height: var(--line-height-content);\n overflow-x: hidden;\n background-color: #020617;\n color: #f1f5f9;\n }\n\n .slide {\n width: 100%;\n max-width: 960px;\n margin: 0 auto 20px;\n display: flex;\n flex-direction: column;\n }\n\n .row { flex-direction: row; }\n .col { flex-direction: column; }\n .center {\n justify-content: center;\n align-items: center;\n text-align: center;\n }\n\n .p-16 { padding: 4rem 1.5rem; }\n\n .mb-2 { margin-bottom: 0.5rem; }\n .mb-4 { margin-bottom: 1rem; }\n .mb-6 { margin-bottom: 1.5rem; }\n .mb-8 { margin-bottom: 2rem; }\n\n .mt-4 { margin-top: 1rem; }\n .mt-8 { margin-top: 2rem; }\n\n h1, h2, h3 {\n font-family: var(--font-family-display);\n font-weight: var(--font-weight-display);\n line-height: 1.2;\n margin: 0;\n }\n\n h1 { font-size: 3rem; }\n h2 { font-size: 2.25rem; }\n h3 { font-size: 1.75rem; }\n\n .text-6xl { font-size: 3.75rem; }\n .text-4xl { font-size: 2.25rem; }\n .text-2xl { font-size: 1.5rem; }\n .text-xl { font-size: 1.25rem; }\n .text-lg { font-size: 1.125rem; }\n .text-sm { font-size: 0.875rem; }\n\n .text-center { text-align: center; }\n\n ul, ol {\n margin-left: 1.5rem;\n margin-top: 0.5rem;\n line-height: 1.8;\n }\n\n li { margin-bottom: 0.5rem; }\n\n .table {\n border-collapse: collapse;\n width: 100%;\n font-size: 0.95rem;\n margin-top: 0.5rem;\n }\n\n .table th,\n .table td {\n border: 1px solid #475569;\n padding: 0.5rem 0.75rem;\n text-align: left;\n vertical-align: top;\n }\n\n .table th {\n background-color: #1e293b;\n color: #e2e8f0;\n }\n\n a {\n color: #38bdf8;\n text-decoration: none;\n }\n a:hover {\n text-decoration: underline;\n }\n <\/style>\n<\/head>\n<body class=\"theme-dark\">\n\n \n <section class=\"slide p-16 center\">\n <h1 class=\"text-6xl mb-4\" style=\"color: #38bdf8;\">Daten f\u00fcr KI verstehen<\/h1>\n <p class=\"text-2xl\" style=\"color: #cbd5e1;\">Gelabelt, ungelabelt & Semi-supervised Learning<\/p>\n <p class=\"text-sm mt-8\" style=\"color: #94a3b8;\">Kursmodul: Datenbasis f\u00fcr KI-Projekte<\/p>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Ziele dieses Moduls<\/h2>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Verstehen, was gelabelte und ungelabelte Daten sind.<\/li>\n <li>Einordnen, wann welche Datenart sinnvoll ist.<\/li>\n <li>Grundidee von Semi-supervised Learning mit gemischten Daten.<\/li>\n <li>\u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten.<\/li>\n <li>Strategien kennen, wenn (noch) keine eigenen Daten vorhanden sind \u2013 inkl. Web-Scraping & APIs.<\/li>\n <li>In einer 30-Minuten-Gruppenarbeit einen Use Case, Datenquellen und zu scrapende Felder skizzieren.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Gelabelte Daten<\/h2>\n <p class=\"text-lg mb-6\" style=\"color: #cbd5e1;\">\n Gelabelte Daten sind Beispiele mit bekannter \u201erichtiger Antwort\u201c (Label), z.B. Kunden mit Attributen und Spalte \u201egekauft: ja\/nein\u201c.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Erm\u00f6glichen \u00fcberwachtes Lernen (Supervised Learning).<\/li>\n <li>F\u00fchren zu hohen Modellgenauigkeiten bei klaren Vorhersageaufgaben.<\/li>\n <li>Aber: Label-Erstellung ist aufw\u00e4ndig, teuer und fehleranf\u00e4llig.<\/li>\n <li>Labels spiegeln Domainwissen \u2013 k\u00f6nnen aber auch Bias enthalten.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Ungelabelte Daten<\/h2>\n <p class=\"text-lg mb-6\" style=\"color: #cbd5e1;\">\n Ungelabelte Daten sind Rohdaten ohne Zielspalte, z.B. Logfiles, Textsammlungen oder Bilder ohne Beschriftung.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Sehr leicht und in gro\u00dfen Mengen verf\u00fcgbar.<\/li>\n <li>N\u00fctzlich f\u00fcr Mustererkennung, Clustering, Anomalieerkennung.<\/li>\n <li>Direkt schwieriger f\u00fcr \u201ekonkrete Antworten\u201c nutzbar.<\/li>\n <li>Werden oft mit wenigen Labels kombiniert (Semi-supervised Learning).<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-8\" style=\"color: #38bdf8;\">Flussdiagramm: Welche Daten habe ich?<\/h2>\n <p class=\"text-lg\" style=\"color: #cbd5e1;\">\n Vereinfachtes Entscheidungsdiagramm zur Einordnung deiner Daten:\n <\/p>\n <div style=\"color: #cbd5e1; margin-top: 1rem;\">\n <p><strong>Start:<\/strong> Liegen Beispiele mit Eingabedaten vor? \u2192 Ja<\/p>\n <p>\u2193<\/p>\n <p><strong>Frage:<\/strong> Gibt es zu jedem Beispiel eine bekannte \u201erichtige Antwort\u201c (Label)?<\/p>\n <p>\u2193<\/p>\n <p><strong>Ja \u2192<\/strong> Gelabelte Daten \u2192 Supervised Learning (z.B. Klassifikation, Regression).<\/p>\n <p><strong>Nein \u2192<\/strong> Ungelabelte Daten \u2192 Unsupervised Learning (z.B. Clustering, Anomalien).<\/p>\n <p>\u2193<\/p>\n <p><strong>Gemischt \u2192<\/strong> Teilweise gelabelt, viele ungelabelt \u2192 Semi-supervised Learning m\u00f6glich.<\/p>\n <\/div>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Semi-supervised Learning<\/h2>\n <p class=\"text-lg mb-6\" style=\"color: #cbd5e1;\">\n Semi-supervised Learning kombiniert wenige gelabelte mit vielen ungelabelten Daten, um das Beste aus beiden Welten zu nutzen.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Ein kleiner gelabelter Datensatz trainiert ein erstes Modell.<\/li>\n <li>Das Modell erzeugt Pseudo-Labels f\u00fcr viele ungelabelte Beispiele.<\/li>\n <li>Diese Pseudo-Labels werden (vorsichtig) zur weiteren Verbesserung genutzt.<\/li>\n <li>Ziel: bessere Performance als nur mit wenigen gelabelten Daten \u2013 bei geringeren Labelkosten.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-8\" style=\"color: #38bdf8;\">Flussdiagramm: Semi-supervised Learning<\/h2>\n <div style=\"color: #cbd5e1;\">\n <p><strong>1.<\/strong> Kleine Menge gelabelter Daten sammeln.<\/p>\n <p>\u2193<\/p>\n <p><strong>2.<\/strong> Erstes Modell mit gelabelten Daten trainieren.<\/p>\n <p>\u2193<\/p>\n <p><strong>3.<\/strong> Modell auf viele ungelabelte Daten anwenden \u2192 Pseudo-Labels erzeugen.<\/p>\n <p>\u2193<\/p>\n <p><strong>4.<\/strong> Gelabelte + ausgew\u00e4hlte Pseudo-gelabelte Daten kombinieren.<\/p>\n <p>\u2193<\/p>\n <p><strong>5.<\/strong> Modell erneut trainieren und evaluieren.<\/p>\n <p>\u2193<\/p>\n <p><strong>Ergebnis:<\/strong> Besseres Modell mit weniger manuellem Labelaufwand.<\/p>\n <\/div>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Datenpools und Einsatzm\u00f6glichkeiten<\/h2>\n <p class=\"text-lg mb-4\" style=\"color: #cbd5e1;\">\n Beispiele f\u00fcr typische Datenquellen und geeignete Eins\u00e4tze:\n <\/p>\n <table class=\"table\">\n <thead>\n <tr>\n <th>Datenpool<\/th>\n <th>Beispiele (mit Links)<\/th>\n <th>Geeignete Aufgaben<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>Transaktions- & Logdaten (strukturiert, meist ungelabelt)<\/td>\n <td>\n Web-Logs (eigene Systeme), Klickdaten (Analytics), Sensorwerte<br \/>\n Inspiration f\u00fcr Beispiel-Datens\u00e4tze:<br \/>\n \u2013 <a href=\"https:\/\/www.kaggle.com\/datasets\" target=\"_blank\" rel=\"noopener noreferrer\">kaggle.com\/datasets<\/a><br \/>\n \u2013 <a href=\"https:\/\/registry.opendata.aws\/\" target=\"_blank\" rel=\"noopener noreferrer\">registry.opendata.aws<\/a>\n <\/td>\n <td>Clustering, Anomalieerkennung, Semi-supervised f\u00fcr Betrugserkennung<\/td>\n <\/tr>\n <tr>\n <td>CRM-\/ERP-Daten (strukturiert, oft gelabelt)<\/td>\n <td>\n Eigene CRM-\/ERP-Systeme (Salesforce, SAP, HubSpot)<br \/>\n Produktseiten:<br \/>\n \u2013 <a href=\"https:\/\/www.salesforce.com\/eu\/\" target=\"_blank\" rel=\"noopener noreferrer\">salesforce.com<\/a><br \/>\n \u2013 <a href=\"https:\/\/www.sap.com\" target=\"_blank\" rel=\"noopener noreferrer\">sap.com<\/a><br \/>\n \u2013 <a href=\"https:\/\/www.hubspot.com\" target=\"_blank\" rel=\"noopener noreferrer\">hubspot.com<\/a>\n <\/td>\n <td>Churn-Prediction, Next-Best-Offer, Risikoscoring<\/td>\n <\/tr>\n <tr>\n <td>Textdaten<\/td>\n <td>\n E-Mails, Tickets, Dokumente aus eigenen Systemen<br \/>\n Open-Textdaten:<br \/>\n \u2013 <a href=\"https:\/\/data.europa.eu\" target=\"_blank\" rel=\"noopener noreferrer\">data.europa.eu<\/a><br \/>\n \u2013 <a href=\"https:\/\/opendata.swiss\" target=\"_blank\" rel=\"noopener noreferrer\">opendata.swiss<\/a>\n <\/td>\n <td>Textklassifikation, Sentiment, Clustering von Themen<\/td>\n <\/tr>\n <tr>\n <td>Bild- & Videodaten<\/td>\n <td>\n Produktbilder, Qualit\u00e4tskontrolle, Kamerastreams<br \/>\n Open-Datasets:<br \/>\n \u2013 <a href=\"https:\/\/www.image-net.org\" target=\"_blank\" rel=\"noopener noreferrer\">image-net.org<\/a><br \/>\n \u2013 <a href=\"https:\/\/cocodataset.org\" target=\"_blank\" rel=\"noopener noreferrer\">cocodataset.org<\/a>\n <\/td>\n <td>Objekterkennung, Qualit\u00e4tspr\u00fcfung, Semi-supervised f\u00fcr seltene Klassen<\/td>\n <\/tr>\n <tr>\n <td>Open Data & externe Daten<\/td>\n <td>\n Open-Data-Portale, Wetter-, Geo-, Markt-Daten<br \/>\n \u2013 <a href=\"https:\/\/www.govdata.de\" target=\"_blank\" rel=\"noopener noreferrer\">govdata.de<\/a><br \/>\n \u2013 <a href=\"https:\/\/opendata.dwd.de\" target=\"_blank\" rel=\"noopener noreferrer\">opendata.dwd.de<\/a><br \/>\n \u2013 <a href=\"https:\/\/data.europa.eu\" target=\"_blank\" rel=\"noopener noreferrer\">data.europa.eu<\/a>\n <\/td>\n <td>Feature-Erweiterung, Kontextinformationen, Explorationsanalysen<\/td>\n <\/tr>\n <tr>\n <td>Web-Scraping & APIs<\/td>\n <td>\n Produktpreise, Stellenanzeigen, Bewertungsportale, News, Social Media<br \/>\n Typische APIs\/Webquellen:<br \/>\n \u2013 <a href=\"https:\/\/openweathermap.org\/api\" target=\"_blank\" rel=\"noopener noreferrer\">openweathermap.org\/api<\/a><br \/>\n \u2013 <a href=\"https:\/\/newsapi.org\" target=\"_blank\" rel=\"noopener noreferrer\">newsapi.org<\/a><br \/>\n \u2013 <a href=\"https:\/\/developer.twitter.com\/en\/docs\/twitter-api\" target=\"_blank\" rel=\"noopener noreferrer\">developer.twitter.com<\/a>\n <\/td>\n <td>Datenaufbau bei \u201eNullbestand\u201c, Marktbeobachtung, Feature-Anreicherung f\u00fcr Modelle<\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Was tun, wenn keine eigenen Daten vorhanden?<\/h2>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>\n Open Data nutzen:<br \/>\n \u2013 <a href=\"https:\/\/data.europa.eu\" target=\"_blank\" rel=\"noopener noreferrer\">data.europa.eu<\/a><br \/>\n \u2013 <a href=\"https:\/\/www.govdata.de\" target=\"_blank\" rel=\"noopener noreferrer\">govdata.de<\/a><br \/>\n \u2013 <a href=\"https:\/\/opendata.swiss\" target=\"_blank\" rel=\"noopener noreferrer\">opendata.swiss<\/a>\n <\/li>\n <li>\n APIs anzapfen (strukturierte Daten direkt beziehen):<br \/>\n \u2013 <a href=\"https:\/\/openweathermap.org\/api\" target=\"_blank\" rel=\"noopener noreferrer\">OpenWeatherMap<\/a><br \/>\n \u2013 <a href=\"https:\/\/newsapi.org\" target=\"_blank\" rel=\"noopener noreferrer\">NewsAPI<\/a><br \/>\n \u2013 <a href=\"https:\/\/developer.twitter.com\/en\/docs\/twitter-api\" target=\"_blank\" rel=\"noopener noreferrer\">Twitter API<\/a>\n <\/li>\n <li>\n Web-Scraping: Daten von Webseiten extrahieren (Rechtslage beachten!) \u2013 z.B. Preisportale, Jobb\u00f6rsen, Bewertungsplattformen.\n <\/li>\n <li>\n Synthetische Daten generieren (f\u00fcr Prototypen): z.B. mit<br \/>\n \u2013 <a href=\"https:\/\/scikit-learn.org\/stable\/modules\/classes.html#samples-generator\" target=\"_blank\" rel=\"noopener noreferrer\">scikit-learn sample generators<\/a><br \/>\n \u2013 eigenen Simulationsskripten.\n <\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Web-Scraping & APIs<\/h2>\n <p class=\"text-lg mb-4\" style=\"color: #cbd5e1;\">\n Grundprinzip: HTML-Inhalte parsen oder strukturierte Daten \u00fcber API abrufen.\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>\n Typische Tools:<br \/>\n \u2013 <a href=\"https:\/\/www.crummy.com\/software\/BeautifulSoup\/bs4\/doc\/\" target=\"_blank\" rel=\"noopener noreferrer\">BeautifulSoup<\/a> (HTML-Parsing)<br \/>\n \u2013 <a href=\"https:\/\/scrapy.org\" target=\"_blank\" rel=\"noopener noreferrer\">Scrapy<\/a> (Framework f\u00fcr Crawler)<br \/>\n \u2013 <a href=\"https:\/\/www.selenium.dev\" target=\"_blank\" rel=\"noopener noreferrer\">Selenium<\/a> (f\u00fcr dynamische Seiten)\n <\/li>\n <li>\n APIs (REST, JSON):<br \/>\n \u2013 <a href=\"https:\/\/openweathermap.org\/api\" target=\"_blank\" rel=\"noopener noreferrer\">OpenWeatherMap<\/a><br \/>\n \u2013 <a href=\"https:\/\/newsapi.org\" target=\"_blank\" rel=\"noopener noreferrer\">NewsAPI<\/a><br \/>\n \u2013 <a href=\"https:\/\/developer.twitter.com\/en\/docs\/twitter-api\" target=\"_blank\" rel=\"noopener noreferrer\">Twitter API<\/a>\n <\/li>\n <li>Rechtlich: robots.txt, AGB und DSGVO sorgf\u00e4ltig pr\u00fcfen; sensible Daten vermeiden.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Gruppenarbeit: Use Case & Datenquellen<\/h2>\n <p class=\"text-lg mb-4\" style=\"color: #cbd5e1;\">\n Bildet Gruppen \u00e0 3\u20134 Personen. Arbeitet 30 Minuten an folgendem:\n <\/p>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>W\u00e4hlt einen Use Case (z.B. Preisvergleich, Sentiment-Analyse).<\/li>\n <li>Identifiziert m\u00f6gliche Datenquellen (Webseiten, APIs, Open Data).<\/li>\n <li>Skizziert, welche Felder ihr scrapen\/abfragen w\u00fcrdet.<\/li>\n <li>Bereitet eine 2-Minuten-Pr\u00e4sentation vor (Use Case, Quelle, Felder).<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16\">\n <h2 class=\"mb-6\" style=\"color: #38bdf8;\">Takeaways f\u00fcr deinen Kurs<\/h2>\n <ul class=\"text-lg\" style=\"color: #cbd5e1;\">\n <li>Gelabelte Daten = \u201eDaten mit L\u00f6sung\u201c \u2192 n\u00f6tig f\u00fcr Vorhersagemodelle.<\/li>\n <li>Ungelabelte Daten = \u201eRohmaterial\u201c \u2192 reichlich vorhanden, gut f\u00fcr Muster.<\/li>\n <li>Semi-supervised Learning kombiniert beides, um Kosten und Performance auszubalancieren.<\/li>\n <li>Datenpools bewusst ausw\u00e4hlen: Welche Quellen passen am besten zu deinem Use Case?<\/li>\n <li>Auch ohne eigene Daten kannst du starten \u2013 dank Open Data, APIs und Web-Scraping.<\/li>\n <\/ul>\n <\/section>\n\n \n <section class=\"slide p-16 center\">\n <h2 class=\"text-4xl mb-6\" style=\"color: #38bdf8;\">Fragen & Diskussion<\/h2>\n <p class=\"text-xl\" style=\"color: #cbd5e1;\">\n Welche Datenquellen und Scraping-Ideen aus der Gruppenarbeit wollt ihr als n\u00e4chstes konkret ausprobieren?\n <\/p>\n <\/section>\n\n<\/body>\n<\/html>\n\n","protected":false},"excerpt":{"rendered":"<p>Grundlagen: Daten f\u00fcr KI Daten f\u00fcr KI verstehen Gelabelt, ungelabelt & Semi-supervised Learning Kursmodul: Datenbasis f\u00fcr KI-Projekte Ziele dieses Moduls Verstehen, was gelabelte und ungelabelte Daten sind. Einordnen, wann welche Datenart sinnvoll ist. Grundidee von Semi-supervised Learning mit gemischten Daten. \u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten. Strategien kennen, wenn (noch) keine eigenen Daten vorhanden […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-55","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>Daten - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/daten\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Daten - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"Grundlagen: Daten f\u00fcr KI Daten f\u00fcr KI verstehen Gelabelt, ungelabelt & Semi-supervised Learning Kursmodul: Datenbasis f\u00fcr KI-Projekte Ziele dieses Moduls Verstehen, was gelabelte und ungelabelte Daten sind. Einordnen, wann welche Datenart sinnvoll ist. Grundidee von Semi-supervised Learning mit gemischten Daten. \u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten. Strategien kennen, wenn (noch) keine eigenen Daten vorhanden […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/daten\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-02-27T15:05:28+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"4\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/\",\"name\":\"Daten - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-02-27T14:50:22+00:00\",\"dateModified\":\"2026-02-27T15:05:28+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/daten\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Daten\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"Daten - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/daten\/","og_locale":"de_DE","og_type":"article","og_title":"Daten - KI Marketing","og_description":"Grundlagen: Daten f\u00fcr KI Daten f\u00fcr KI verstehen Gelabelt, ungelabelt & Semi-supervised Learning Kursmodul: Datenbasis f\u00fcr KI-Projekte Ziele dieses Moduls Verstehen, was gelabelte und ungelabelte Daten sind. Einordnen, wann welche Datenart sinnvoll ist. Grundidee von Semi-supervised Learning mit gemischten Daten. \u00dcberblick \u00fcber typische Datenpools und ihre Einsatzm\u00f6glichkeiten. Strategien kennen, wenn (noch) keine eigenen Daten vorhanden […]","og_url":"https:\/\/metalmotion.de\/kim\/daten\/","og_site_name":"KI Marketing","article_modified_time":"2026-02-27T15:05:28+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"4\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/daten\/","url":"https:\/\/metalmotion.de\/kim\/daten\/","name":"Daten - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-02-27T14:50:22+00:00","dateModified":"2026-02-27T15:05:28+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/daten\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/daten\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/daten\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"Daten"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/55","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=55"}],"version-history":[{"count":3,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/55\/revisions"}],"predecessor-version":[{"id":60,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/55\/revisions\/60"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=55"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}