{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "cell-0",
   "metadata": {
    "editable": false,
    "tags": [
     "aufgabe"
    ]
   },
   "source": [
    "# DataScience 1 - Blatt 6\n",
    "\n"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "cell-1",
   "metadata": {
    "editable": false,
    "tags": [
     "aufgabe"
    ]
   },
   "source": [
    "### Aufgabe (Z-Normalisierung)\n",
    "\n",
    "Den Datensatz mit den verschiedenen Sportb\u00e4llen aus der Vorlesung finden\n",
    "Sie unter der URL [https://data.hsbo.de/baelle.csv](https://data.hsbo.de/baelle.csv).\n",
    "Diesen Datensatz sollen Sie im Folgenden betrachten und die enthaltenen Daten\n",
    "normalisieren.\n",
    "\n",
    "  - Laden Sie die Daten zun\u00e4chst in einen DataFrame. Ermitteln Sie Mittelwert und Standardabweichung f\u00fcr die Attribute *Umfang* und *Gewicht*. Schreiben Sie dazu die Funktionen `smean(s)` und `sdev(s)`, die f\u00fcr ein Series Objekt den Mittelwert bzw.\tdie Standardabweichung berechnen.\n",
    "\n",
    "  - Definieren Sie eine Funktion `z_norm_series(s)`, die f\u00fcr ein Series Objekt `s` eine\n",
    "\tz-normalisierte Series zur\u00fcckgibt (vgl. Foliensatz 6, Folie 27).\n",
    "\n",
    "  - Schreiben Sie eine Funktion `z_norm_df(d)`, die f\u00fcr einen DataFrame `d` einen\n",
    "\tDataFrame zur\u00fcckgibt, bei dem jede Spalte z-normalisiert ist.\n",
    "\n",
    "\u00dcberpr\u00fcfen Sie ihre Funktionen, in dem Sie sich die Ausgabe von `data.describe()`\n",
    "anschauen (wenn Sie die Daten in den DataFrame `data` geladen haben), nachdem Sie\n",
    "die Daten mit Ihrer Funktion normalisiert haben.\n",
    "\n",
    "\n",
    "\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "cell-2",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Hier ist Platz fuer ihre Loesung zu Aufgabe  (Z-Normalisierung):\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "cell-3",
   "metadata": {},
   "outputs": [],
   "source": []
  },
  {
   "cell_type": "markdown",
   "id": "cell-4",
   "metadata": {
    "editable": false,
    "tags": [
     "aufgabe"
    ]
   },
   "source": [
    "### Aufgabe 2 (Klassifikation)\n",
    "\n",
    "Der Datensatz enth\u00e4lt Umfang und Gewicht f\u00fcr die verschiedenen B\u00e4lle. Im Folgenden\n",
    "sollen Sie ein Klassifikationsmodell trainieren und testen, wie gut das Modell die\n",
    "B\u00e4lle unterscheiden kann.\n",
    "\n",
    " - Trainieren Sie einen Entscheidungsbaum auf 80 Prozent der Daten und ermitteln Sie den Test-Fehler\n",
    " - Probieren Sie die Daten mit kNN zu klassifizieren.\n",
    " - Verbessert sich die kNN Vorhersage, wenn Sie die Daten zu allererst normalisieren?"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "cell-5",
   "metadata": {},
   "outputs": [],
   "source": [
    "# Hier ist Platz fuer ihre Loesung zu Aufgabe  2 (Klassifikation):\n"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "cell-6",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.12.7"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}