Diese Arbeit beschäftigt sich mit der vorliegenden Frage "Welche Maßnahmen sind notwendig bei der Entwicklung einer Al-App mittels Machine Learning für die Vorhersage von Immobilienwerten?".
Dabei sollen Maßnahmen aufgezeigt werden, mit denen eine AI-App mithilfe von Machine Learning entwickelt werden kann. Dazu werden zunächst grundlegende Begriffe näher erläutert. Danach werden die notwendigen Maßnahmen für die Entwicklung einer AI-App aufgezeigt und anschließend in Bezug auf die gestellte Fragestellung beispielhaft umgesetzt. Die Arbeit wird mit einer Diskussion der Ergebnisse in und einem Fazit in abgeschlossen.
Artificial Intelligence (AI) ist eine Spitzentechnologie und zugleich ein multidisziplinärer Bereich der Forschung, der in den vergangenen Jahren wachsende Aufmerksamkeit auf sich gezogen hat. Mittels der Weiterentwicklungen im Machine Learnings (maschinelles Lernen) wurde eine Vielzahl an Durchbrüchen möglich, wie maschinelle Übersetzung, Sprachassistenten (z.B. Alexa, Siri, etc.) und automatisierte Untertitel in Videos. Diese Technologien sind in den letzten Jahren bereits alltäglich geworden und helfen dabei, das Leben bequemer und besser informiert zu gestalten.
Mithilfe von Machine Learning (ML) lassen sich heute bereits kleinere AI-Applikation (engl. für Anwendung, Kurzform Apps) erstellen, mit denen Fragen zu den unterschiedlichsten Themen beantwortet werden können. Ein immer wieder relevantes Thema, die Prognose von Verkaufspreisen ist sowohl für Kunden interessant als auch für Unternehmen wie Banken, Versicherungen und Immobilienmakler.
Inhaltsverzeichnis
1 Einleitung
2 Theoretische Grundlagen
2.1 Artificial Intelligence
2.2 Machine Learning
3 Entwicklungsprozess für eine AI Anwendung
4 Entwicklung einer AI-App zur Immobilienpreis Prognose
4.1 Business Understanding
4.2 Data Understanding
4.3 Data Preparation
4.4 Modeling
4.5 Evaluation
4.6 Deployment
5 Diskussion
6 Fazit
Zielsetzung & Themen
Die Arbeit untersucht, welche Maßnahmen für die Entwicklung einer KI-Applikation zur Vorhersage von Immobilienpreisen mittels Machine Learning erforderlich sind, und demonstriert dies anhand einer praxisnahen Umsetzung.
- Grundlegende Definitionen von Artificial Intelligence und Machine Learning
- Analyse des CRISP-DM-Entwicklungsprozesses für Data-Mining-Projekte
- Konzeption und Definition der Anforderungen für eine Immobilienpreis-Prognose
- Durchführung der Datenvorbereitung und Modellierung mittels Python
- Vergleich und Evaluation verschiedener Machine-Learning-Algorithmen
Auszug aus dem Buch
4.1 Business Understanding
Das Grundlegende Problem im Immobiliengeschäft ist die genaue Bestimmung des Kauf- bzw. Verkaufspreis von Immobilien. Der Wert einer Immobilie ist abhängig von den Eigenschaften der Immobilie und deren Qualität, der Lage der Immobilie und der wirtschaftlichen Situation der Käufer-/Verkäuferparteien.
Der Vorteil in einer Preisprognose ist, dass sich anhand der verfügbaren Informationen ein Wert bestimmen lässt mit dem Kauf-/Verkaufsinteressenten entscheiden können, ob es sich finanziell lohnt zu Kaufen/Verkaufen. Aber auch für Immobilienbesitzer ist diese Wissen von Vorteil (Singh et al., 2020) um z.B.
die Rentabilität von bestimmten Modernisierungsmaßnahmen bestimmen zu können,
um die Immobilie für Schadensfälle (z.B. Elementarschäden wie Hochwasser) entsprechend versichern zu können oder
um die Werte des eigenen Vermögens bestimmen zu können (z.B. für Kreditabsicherungen bei Bankkrediten)
Zusammenfassung der Kapitel
1 Einleitung: Die Einleitung führt in die Relevanz von Machine Learning für die automatisierte Immobilienpreisprognose ein und formuliert die zentrale Forschungsfrage der Arbeit.
2 Theoretische Grundlagen: Dieses Kapitel erläutert die Definitionen und Zusammenhänge von Artificial Intelligence und Machine Learning als Basis für die weiteren Ausführungen.
3 Entwicklungsprozess für eine AI Anwendung: Hier wird der CRISP-DM-Standard als methodischer Rahmen für die Entwicklung von Data-Mining-Projekten vorgestellt und begründet.
4 Entwicklung einer AI-App zur Immobilienpreis Prognose: Das Kapitel beschreibt die praktische Anwendung des CRISP-DM-Prozesses, von der Problemdefinition bis hin zur Bereitstellung der Applikation.
5 Diskussion: Es findet eine kritische Auseinandersetzung mit dem gewählten Vorgehensmodell statt und es werden Herausforderungen in der praktischen Anwendung diskutiert.
6 Fazit: Das Fazit fasst die gewonnenen Erkenntnisse zusammen und gibt einen Ausblick auf potenzielle weiterführende Entwicklungen in diesem Bereich.
Schlüsselwörter
Artificial Intelligence, Machine Learning, Immobilienpreisprognose, CRISP-DM, Regression, Datenanalyse, Datenaufbereitung, Modellierung, Evaluation, Deployment, Jupyter-Notebook, Python, Automatisierung, Entscheidungsbaum, Random Forest.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit thematisiert die Entwicklung einer KI-Applikation unter Nutzung von Machine-Learning-Verfahren, um Immobilienpreise automatisiert vorherzusagen.
Was sind die zentralen Themenfelder?
Die zentralen Schwerpunkte liegen auf der Erläuterung der theoretischen Grundlagen von KI, der methodischen Prozessführung mittels CRISP-DM und der praktischen Umsetzung einer ML-App.
Was ist das primäre Ziel der Arbeit?
Das primäre Ziel ist es, notwendige Maßnahmen und Schritte aufzuzeigen, die für die erfolgreiche Entwicklung einer Machine-Learning-Applikation zur Immobilienwertermittlung erforderlich sind.
Welche wissenschaftliche Methode wird verwendet?
Als methodischer Rahmen für den gesamten Entwicklungsprozess wird das Modell "Cross-industry standard process for data mining" (CRISP-DM) angewendet.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in eine theoretische Fundierung und eine detaillierte, beispielhafte Umsetzung einer ML-App zur Immobilienpreisvorhersage unter Nutzung der Plattform Kaggle.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Machine Learning, CRISP-DM, Regression, Datenvorbereitung, Modell-Evaluation und automatisierte Preisprognose.
Warum wurde das CRISP-DM-Modell für dieses Projekt gewählt?
CRISP-DM wurde gewählt, da es trotz seines Alters als De-facto-Standard für Data-Mining-Projekte gilt und eine strukturierte, iterative Vorgehensweise ermöglicht.
Welches Modell hat in der Evaluation am besten abgeschnitten?
Basierend auf den erreichten Werten für das Bestimmtheitsmaß und der Kreuzvalidierung erwies sich die Lineare Regression als das optimale Modell für dieses spezifische Szenario.
- Quote paper
- Ralf Heidig (Author), 2021, Entwicklung einer AI-App mittels Machine Learning zur Vorhersage von Immobilienwerten, Munich, GRIN Verlag, https://www.grin.com/document/1152663
