Teilnehmer erlernen die Entwicklung automatisierter Datenpipelines für effizientes Feature Engineering und die anschließende Optimierung von Machine Learning Modellen.
Automatisierte Datenpipelines für effizientes Feature Engineering in Machine Learning- Datenquellen bereinigen, harmonisieren und für Modelltraining optimieren
- Strukturierte Workflows entwickeln, um datengetriebene Prozesse effizient zu automatisieren
- Automatisierungstechniken nutzen, um wiederkehrende Datenaufbereitungsaufgaben zu beschleunigen
SQL für präzise Datenverarbeitung und Modelltraining
- Joins und Aggregationen anwenden, um relevante Features für ML-Modelle zu extrahieren
- Optimierte Abfragen nutzen, um die Performance datenwissenschaftlicher Prozesse zu verbessern
- Datenbankstrukturen gezielt für Machine Learning und Predictive Analytics optimieren
Interaktive Visualisierung von Feature Engineering-Ergebnissen mit Power BI
- Dynamische Dashboards erstellen, um featurebasierte Modellverbesserungen zu analysieren
- DAX-Funktionen einsetzen, um datengetriebene Erkenntnisse verständlich darzustellen
- Aussagekräftige Berichte entwickeln, um datenbasierte Optimierungen gezielt zu kommunizieren
Modelltraining, Optimierung und Evaluierung in Machine Learning
- Muster in Daten identifizieren, um Vorhersagemodelle mit hoher Präzision zu entwickeln
- Hyperparameter-Tuning und Feature Selection zur Modellgenauigkeit anwenden
- Klassifikations-, Regressions- und Clustering-Algorithmen gezielt optimieren