Einführung in KI und Modellbewertung
  • Verstehen Sie die Bedeutung der Modellbewertung in datenwissenschaftlichen und datenanalytischen Arbeitsabläufen.
  • Erfahren Sie, wie Datenwissenschaftler die Leistung von Modellen der künstlichen Intelligenz bewerten.
  • Erkunden Sie die Verbindung zwischen KI-Systemen und datengestützter Entscheidungsfindung.
Datenanalyseverfahren Einführung
  • Führen Sie eine explorative Datenanalyse (EDA) durch, um Daten für die KI-Modellbewertung vorzubereiten.
  • Bereinigen und verarbeiten Sie Datensätze mithilfe von Python-Bibliotheken wie Pandas und Numpy.
  • Visualisieren Sie Dateneinblicke, um die Grundlagen der Modellbewertung zu verstehen.
Grundlagen der Modellbewertung
  • Erkunden Sie wichtige Kennzahlen wie Genauigkeit, Präzision, Recall und F1-Score.
  • Verstehen Sie die Bedeutung von Modellvalidierung und Kreuzvalidierungstechniken.
  • Lernen Sie, Regressionsmodelle mithilfe des mittleren quadratischen Fehlers und des R-Quadrats zu bewerten.
Fortgeschrittene Techniken zur Modellbewertung
  • Tauchen Sie ein in den Trade-off zwischen Verzerrung und Varianz und seine Auswirkungen auf die Modellleistung.
  • Analysieren Sie Overfitting und Underfitting anhand praktischer Beispiele.
  • Verwenden Sie Python-Tools wie Scikit-learn, um Modellbewertungsprozesse zu automatisieren.
Projekte zur Modellbewertung in der Praxis
  • Bewerten Sie KI-Modelle, die auf realen Datensätzen basieren, um umsetzbare Erkenntnisse zu gewinnen.
  • Präsentieren Sie die Modellleistung den Interessengruppen mit klaren Visualisierungen.
  • Arbeiten Sie an Gruppenprojekten zusammen, um professionelle datenwissenschaftliche Umgebungen zu simulieren.

Die Teilnehmenden erfahren mehr über die Rolle von Datenmodellbewertung innerhalb der Data Science und AI, insbesondere in der praktischen Anwendung.