Ein kompakter Überblick verbindet NLP mit Data-Science-Methodik. Der Kurs zeigt, wie Textdaten in saubere Datensätze überführt, als Features aufbereitet und mit standardisierten Auswerteketten analysiert werden. Im Zentrum stehen belastbare Experimente, transparente Metriken und interpretierbare Ergebnisse. Begriffe wie NLP (Natural Language Processing), SQL-basierte Datenextraktion (Structured Query Language) oder Vektorisierung werden in den Projektkontext eingeordnet. So entsteht eine durchgängige Sicht von der Datenquelle bis zur Evaluation - anschlussfähig an gängige Data-Science-Workflows.
Inhaltsübersicht1. Datengewinnung - Sammlung und Struktur2. NLP - Feature-Engineering für Text3. Modellierung - Evaluieren und Interpretieren1. Datenmanagement für Text
- Quellen anbinden: Dateien, APIs, Datenbanken (SQL-Abfragen)
- Qualität prüfen: fehlende Werte, Zeichensatz, Sprache
- Dokument-IDs, Zeitstempel und Labels konsistent führen
2. NLP - Feature-Engineering
- Tokenisierung, Lemmatisierung, Stoppwörter gezielt konfigurieren
- TF-IDF vs. Embeddings: Auswahl nach Ziel und Datengröße
- Skalierung und Regularisierung im Textkontext verstehen
3. Modelle, Auswertung, Reporting
- Baselines definieren und verbessern (z. B. Mehrheitsklasse)
- Metriken vergleichen: ROC-AUC, F1, Klassifikationsberichte
- Ergebnisse reproduzierbar berichten: Notebooks, Tabellen, Diagramme