Artificial Intelligence: und NLP

Die Einheit verknüpft Artificial Intelligence mit Natural Language Processing. Ziel ist eine durchgängige Sicht von der Datenquelle bis zur Bewertung textbasierter Modelle. Artificial Intelligence wird als Rahmen verstanden, in dem NLP-Aufgaben wie Klassifikation, Sequenzlabeling und Informationsextraktion systematisch umgesetzt werden. Im Fokus: saubere Vorverarbeitung, geeignete Repräsentationen und reproduzierbare Experimente. Fachbegriffe werden präzise erklärt, etwa Tokenisierung (Zerlegung), Lemmatisierung (Grundform) und TF-IDF (Termgewichtung). Artificial Intelligence bleibt transparent, interpretierbar und dokumentiert.

!Inhaltsübersicht
!1. Textgrundlagen - Aufbereitung und Qualität
!2. Artificial Intelligence - Repräsentationen und Features
!3. Lernverfahren - Training und Metriken
!4. Artificial Intelligence - Einsatzszenarien und Grenzen

!1. Vorverarbeitung und Datenschnitt
*Kodierungen, Sprache, Sonderzeichen konsistent behandeln
*Tokenisierung, Stoppwörter, Lemmatisierung vs. Stemming
*Daten- und Labelqualität prüfen und dokumentieren

!2. Artificial Intelligence - Merkmale für NLP
*TF-IDF, N-Gramme, Dokumentlänge als Basis
*Embeddings für Wörter/Sätze zweckmäßig wählen
*Feature-Selektion und Dimensionalität steuern

!3. Modelle und Bewertung
*Basismodelle: Naive Bayes, Logistische Regression, lineare SVM
*Metriken: Precision, Recall, F1, ROC-AUC; Kreuzvalidierung
*Fehleranalyse mit Beispielen und Gegenbeispielen

!4. Artificial Intelligence - Anwendung und Betrieb
*Use-Cases: Sentiment, Themen, Schlagwort-Extraktion
*Pipelines automatisieren, Seeds/Versionen fixieren
*Monitoring: Drift, Wortschatz, Klassenverteilungen