feature: add NSL lession 1

NSL/aufgaben/devenv.nix

@@ -0,0 +1,21 @@
+{ pkgs, lib, config, ... }:
+
+{
+  languages.python = {
+    enable = true;
+    version = "3.14.4";
+    venv.enable = true;
+    venv.requirements = ''
+      ipython
+      jupyter
+      matplotlib
+      numpy
+      scikit-learn
+    '';
+  };
+
+  packages = [
+    pkgs.graphviz
+    pkgs.zsh
+  ];
+}

NSL/aufgaben/k_means2_elbow_measures.txt

@@ -0,0 +1,132 @@
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.cluster import KMeans
+from sklearn.metrics import silhouette_score, davies_bouldin_score
+
+# =========================================================
+# ?? EINSTELLUNGEN
+# =========================================================
+
+RANDOM_SEED = 42
+MAX_K = 8
+POINTS_PER_CLUSTER = 100
+
+# echte Cluster (für Simulation)
+CENTER_1 = [0, 0]
+CENTER_2 = [6, 6]
+CENTER_3 = [0, 6]
+
+# =========================================================
+# 1. DATEN GENERIEREN
+# =========================================================
+
+np.random.seed(RANDOM_SEED)
+
+data1 = np.random.randn(POINTS_PER_CLUSTER, 2) + CENTER_1
+data2 = np.random.randn(POINTS_PER_CLUSTER, 2) + CENTER_2
+data3 = np.random.randn(POINTS_PER_CLUSTER, 2) + CENTER_3
+
+X = np.vstack((data1, data2, data3))
+
+# =========================================================
+# 2. ELBOW + GÜTEMASSE
+# =========================================================
+
+k_values = range(1, MAX_K + 1)
+inertia_values = []
+silhouette_values = []
+db_values = []
+
+for k in k_values:
+    kmeans = KMeans(n_clusters=k, random_state=RANDOM_SEED, n_init=10)
+    kmeans.fit(X)
+
+    inertia_values.append(kmeans.inertia_)
+
+    if k >= 2:
+        labels = kmeans.labels_
+        silhouette_values.append(silhouette_score(X, labels))
+        db_values.append(davies_bouldin_score(X, labels))
+    else:
+        silhouette_values.append(np.nan)
+        db_values.append(np.nan)
+
+# =========================================================
+# 3. BESTES k (vereinfacht: nach Silhouette)
+# =========================================================
+
+best_k = k_values[np.nanargmax(silhouette_values)]
+
+# Frage:
+# Warum nehmen wir hier Silhouette und nicht Inertia?
+# Lösung:
+# ? Inertia sinkt immer ? kein klares Optimum
+
+# =========================================================
+# 4. FINALES MODELL
+# =========================================================
+
+kmeans_final = KMeans(n_clusters=best_k, random_state=RANDOM_SEED, n_init=10)
+kmeans_final.fit(X)
+
+labels_final = kmeans_final.labels_
+centers_final = kmeans_final.cluster_centers_
+
+# =========================================================
+# 5. VISUALISIERUNG
+# =========================================================
+
+fig, ax = plt.subplots(1, 4, figsize=(20, 4))
+
+# ---- Originaldaten ----
+ax[0].scatter(X[:, 0], X[:, 1])
+ax[0].set_title("Rohdaten (unclustered)")
+
+# Frage:
+# Siehst du hier schon Cluster?
+# Lösung:
+# ? Ja, visuell oft erkennbar, aber nicht immer eindeutig
+
+# ---- Elbow ----
+ax[1].plot(k_values, inertia_values, marker='o')
+ax[1].set_title("Elbow (Inertia)")
+ax[1].set_xlabel("k")
+ax[1].set_ylabel("Fehler")
+
+# ---- Silhouette ----
+ax[2].plot(k_values, silhouette_values, marker='o')
+ax[2].set_title("Silhouette Score")
+ax[2].set_xlabel("k")
+
+# ---- Finales Clustering ----
+scatter = ax[3].scatter(X[:, 0], X[:, 1], c=labels_final)
+ax[3].scatter(centers_final[:, 0], centers_final[:, 1],
+              c='red', s=200, marker='X')
+ax[3].set_title(f"K-Means Ergebnis (k={best_k})")
+
+# Frage:
+# Warum sind die Cluster farbig getrennt?
+# Lösung:
+# ? Hard Clustering: jeder Punkt genau ein Label
+
+plt.tight_layout()
+plt.show()
+
+# =========================================================
+# ? WEITERE FRAGEN
+# =========================================================
+
+# Frage:
+# Was passiert, wenn wir die Daten stärker überlappen lassen?
+# Lösung:
+# ? Clustering wird schwieriger, Scores schlechter
+
+# Frage:
+# Warum können verschiedene Runs unterschiedliche Ergebnisse liefern?
+# Lösung:
+# ? zufällige Initialisierung der Zentren
+
+# Frage:
+# Ist das gefundene k immer korrekt?
+# Lösung:
+# ? Nein, nur heuristisch bestimmt

NSL/notizen/L1_Notizen.md

@@ -0,0 +1,183 @@
+# Notizen NSL Lektion 1
+
+> Thema: Unsupervised Learning 
+> Datum: 18.06.2026
+> Dozentin: Matthias Dehmer
+
+# Recap
+
+## Supervised Learning 
+
+- Input: Arbeitet auf Daten (Feature Vektoren) mit Labels
+- Output: Modell für Prediction
+- Regression: 
+    - Daten $X$ (Features) gegeben -> man will $Y$ (Zielgrösse) vorhersagen
+    - Gesucht ist eine Funktion $f$ mit $\hat{y} = f(x)$ für eine Vorhersage
+- Klassifikation
+    - Binär
+    - Multiclass
+- Applications
+    - Spam Filtering
+    - Image Classification
+    - Gesture Recognition
+    - Fraud Detection
+
+## Unsupervised Learning
+
+- Input: Arbeitet auf Daten (Feature Vektoren) ohne Labels
+- Output: Model discovering underlying data structure of the data
+- Methoden
+    - Clustering
+    - Dimension Reduction
+    - Association Rules
+- Anwendungen
+    - Exploratory Data Analysis
+    - Outlier Detection
+    - Data Compression
+    - Denoising
+
+## Reinforcement Learning
+
+- Input: Current observed State from Environment and reward score
+- Output: Agent chooses next action
+- Methoden:
+    - Control
+    - Q-Learning
+- Applications
+    - Games (Chess, Go)
+
+## Recap: Supervised Learning
+
+- Viele Machine Learning Probleme lassen sich in einfache Optimierungsprobleme überführen
+    - Fehlerquadratsumme (Methode der kleinsten Quadrate)
+
+## Recap: Lineare Regression
+
+- Problem: Wir wollen eine gute Approximation der Daten durch eine Gerade (Linearitätsforderung)
+- Vorgehen: Gerade in die Punktwolke legen und Parameter solange anpassen bis Fehler (Epsilon) minimal sind
+   - Wobei Epsilon: $\epsilon_i = y_i - \hat{y}_i$
+- Wir suchen eine Gerade, mit der Bedingung, dass die quadratische Summe aller Epsilon minimal wird
+    - $\min \sum_{i=1}^{n} \epsilon_i^2 = \min \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$
+- Zur Analyse immer einen Scatterplot machen
+    - Dabei sieht man von Auge bereits ob eine Linearität vorhanden ist
+
+# Unsupervised Learning
+
+- Keine Labels
+    - Es gibt keine Outcome Variable
+- Wie kann man sich das vorstellen
+    - Data is generated by some unknown process
+    - Unsupervised learning finds patterns in the data
+- Methoden
+    - Clustering (k-Means, Hierarchical, DBSCAN)
+    - Density Estimation: Gaussian Mixture Models
+    - Dimensionality Reduction
+    - Neural Networks
+        - Autoencoder
+        - Generative Adversarial Models
+        - Restricted Boltzman Machines
+
+# Clustering
+
+- Clustering ist der Prozess der eine Gruppe in Untergruppen aufteilt
+- Elemente in Untergruppen sind sich ähnlich
+- Schwierig ist es ein Ähnlichkeitsmass (measure) zu finden
+- Die Anzahl der Cluster hängt von der Anwendung ab 
+    - intra-cluster measure -> tightness (Homogenität) of the cluster
+    - inter-cluster measure -> Daten sollen so gewählt werden, dass sie sich nicht überlappen
+- Hauptproblem des Clusterings
+    - Wir haben einen Datensatz D den wir clustern wollen
+    - D enthält Altersangaben
+    - Wir schicken D durch einen Clusteringalgorithmus
+    - Wir erhalten C1-3
+        - C1: 20-30
+        - C2: 40-50
+        - C3: 60-80
+    - K-Means braucht eine Angabe wieviele Cluster zu erzeugen sind
+    - Wieviele Cluster sind denn aber sinnvoll?
+- Zwei wesentliche Forderungen beim Clustern
+    1. Cluster sollen homogen sein (gleich verteilte Abstände innerhalb des Clusters)
+    2. Cluster sollen heterogen getrennt sein (nicht überlappen)
+- Wir sehen: Die Anzahl der Cluster ist nicht eindeutig
+    - C1,C2: Schreibweise $|C| = 2$ "Die Grösse der Cluster C ist 2"
+- Wie messen wir die Homogenität in folgendem Fall?
+    - c1 = {2,4,6}
+    - c2 = {2,15,80}
+    - Man könnte sich die Abstände zum Centroiden anschauen
+    - Hom(C1) > Hom(C2)
+
+## Anwendung von Clustering
+
+- Ähnlichkeit von Kunden, Krankheiten, Produkte
+- Betrugserkennung
+- Bspw. Intrusion Detection in Netzwerken
+    - Vergleich session duration zu transmitted bytes
+    - ssh -> lange Session Zeit aber nicht viel Daten
+    - web traffic -> kurze Session Zeit aber viele Daten
+    - Alle Verbindungen, die nicht in diese Cluster passen, sind "verdächtig"
+
+# Dimensionsreduktion von Datensets
+
+- Warum soll man Dimensionen reduzieren?
+    - Man fischt sich diejenigen Dimensionen heraus, welche für die gewünschte Information wichtig sind
+    - Alle ohne nützliche Information werden eliminiert (Projektion der gewünschten Dimension)
+- Eine Art wie man Dimensionen reduzieren kann, ist PCA
+    - Principal Component Analysis
+    - Vereinfacht komplexe Datensets und behält dabei die wichtigsten Strukturen
+- Wie funktioniert eine Dimensionsreduktion dim1000 zu dim2 mit PCA?
+    1. PC1: Man legt eine Achse in die Richtung wo die Varianz maximal ist
+    2. PC2: Richtung der maximalen *verbleibenden* Varianz, die orthogonal zu PC1 steht
+        - Bei einer (symmetrischen) Kovarianzmatrix sind die Eigenvektoren ohnehin paarweise orthogonal
+    - Allgemein: PC$_k$ = Eigenvektor zum $k$-grössten Eigenwert der Kovarianzmatrix
+
+## Begriffe in der Dimensionsreduktion
+
+- Varianz
+    - Streuung um den Mittelwert
+    - Population vs. Stichprobe (Bessel-Korrektur mit $n-1$):
+
+$$
+\sigma^2 = \frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})^2
+\qquad
+s^2 = \frac{1}{n-1}\sum_{i=1}^{n}(x_i - \bar{x})^2
+$$
+
+- Kovarianz
+    - Mass für das *gemeinsame* Streuen zweier Variablen (steigen sie zusammen oder gegenläufig?)
+    - Hinweis: Kovarianz ist *nicht* die Steigung — die Regressionssteigung ist $\beta = \mathrm{Cov}(X,Y)/\mathrm{Var}(X)$
+    - Ist nicht begrenzt im Gegensatz zur Korrelation ($\rho = \mathrm{Cov}(X,Y)/(\sigma_X \sigma_Y) \in [-1, 1]$)
+
+$$
+\mathrm{Cov}(X,Y) = \frac{1}{n}\sum_{i=1}^{n}(x_i - \bar{x})(y_i - \bar{y})
+$$
+
+- Kovarianz-Matrix
+    - Für zentrierte Datenmatrix $X_c \in \mathbb{R}^{n \times d}$ (Mittelwert pro Spalte abgezogen):
+
+$$
+\Sigma = \frac{1}{n}\, X_c^{\top} X_c
+\qquad
+\Sigma_{jk} = \mathrm{Cov}(X_j, X_k)
+$$
+
+    - $d \times d$, symmetrisch, positiv semidefinit
+    - Diagonale = Varianzen, off-diagonal = Kovarianzen
+
+- Eigenwert-Problem (Lambda)
+    - Korrektur: die *Eigenwerte* $\lambda$ sind die Nullstellen des charakteristischen Polynoms (nicht die Eigenvektoren)
+    - $A\mathbf{v} = \lambda \mathbf{v} \iff (A - \lambda I)\mathbf{v} = \mathbf{0}$
+    - Nicht-triviale Lösung existiert nur, wenn:
+
+$$
+\det(A - \lambda I) = 0 \quad \text{(charakteristisches Polynom)}
+$$
+
+    - Vorgehen: 1) $\lambda$ aus dem char. Polynom bestimmen, 2) je $\lambda$ den Eigenvektor $\mathbf{v}$ aus $(A - \lambda I)\mathbf{v} = \mathbf{0}$ lösen
+    - In der PCA: Eigenwert $\lambda_i$ = Varianz entlang PC$_i$; Gesamtvarianz $= \mathrm{tr}(\Sigma) = \sum_i \lambda_i$; erklärter Varianzanteil $= \lambda_i / \sum_j \lambda_j$
+
+## PCA Vorgehen
+
+1. Daten zentrieren (Mittelwert pro Feature abziehen); bei unterschiedlichen Skalen zusätzlich standardisieren (auf Einheitsvarianz)
+2. Kovarianzmatrix $\Sigma$ berechnen
+3. Eigenwert-Problem lösen -> Eigenwerte $\lambda_i$ und zugehörige Eigenvektoren $\mathbf{v}_i$
+4. Endkoordinatensystem bestimmen: Eigenvektoren nach Eigenwerten absteigend sortieren, die Top-$k$ als neue Achsen wählen und die Daten darauf projizieren ($Z = X_c W$, mit $W$ = Matrix der Top-$k$ Eigenvektoren)