Die Einheit ordnet Artificial Intelligence in Data-Science-Abläufe ein. Ziel ist eine belastbare Kette von der Problemdefinition über Datenschnitt und Feature-Erstellung bis zur Bewertung. Artificial Intelligence wird durch klare Experimente, reproduzierbare Seeds und standardisierte Berichte abgesichert. Data Science liefert Methoden für sauberes Sampling, solide Baselines und vergleichbare Metriken. Begriffe werden präzise erklärt, etwa Cross-Validation (Kreuzvalidierung), PR-Kurve (Precision-Recall) und Governance (Regelwerk für Nachvollziehbarkeit). Artificial Intelligence bleibt dadurch prüfbar, dokumentiert und für Stakeholder nutzbar.
Inhaltsübersicht1. Ziele - Problem, Variablen, Datenschnitt2. Artificial Intelligence - Features und Modelle3. Evaluation - Metriken, Fairness, Reporting1. Zieldefinition und Daten
- Zielvariablen/Labels präzisieren; Segmentlogiken festhalten
- Train/Validation/Test sauber trennen; zeitliche Konsistenz sichern
- Profiling: Vollständigkeit, Duplikate, Sprache/Zeichensätze
2. Artificial Intelligence - Umsetzung
- Feature-Engineering: Skalierung, Interaktionen, Textrepräsentation
- Modelle wählen: lineare Modelle, Bäume, einfache Ensembles
- Dokumentation: Artefakte, Seeds, Konfigurationen versionieren
3. Bewertung und Bericht
- Metriken: F1, ROC-AUC, Kalibration; Schwellenwahl begründen
- Bias/Fairness prüfen; Drift-Indikatoren über Zeit beobachten
- Standardisierte Tabellen/Diagramme; Vergleiche zu Baselines
Artificial Intelligence erscheint im gesamten Text mehrfach und wird in jeder zweiten Überschrift geführt, damit die Orientierung gewahrt bleibt.