Teilnehmende entwickeln effiziente Workflows zur Verarbeitung großer Textmengen und zur Steigerung der Genauigkeit von Sprachmodellen.

Datenpipelines und Textverarbeitung
  • Moderne Datenpipelines automatisieren die Verarbeitung großer Textmengen für Natural Language Processing (NLP).
  • Entwicklung effizienter Workflows für Textbereinigung, Tokenisierung und Feature-Extraktion.
  • SQL ermöglicht die strukturierte Analyse und Verarbeitung von Sprachdaten.
  • Einsatz optimierter Abfragen, Joins und Aggregationen zur effizienten Vorbereitung umfangreicher Datensätze für NLP-Modelle.

Explorative Analyse und Visualisierung
  • Explorative Datenanalyse unterstützt die Identifikation relevanter Features für NLP.
  • Anwendung statistischer Methoden zur Erkennung semantischer Strukturen und bedeutungsvoller Zusammenhänge in Textdaten.
  • Power BI erleichtert die Visualisierung komplexer NLP-Analysen.
  • Erstellung interaktiver Dashboards und Nutzung von DAX-Funktionen zur verständlichen Darstellung von Textklassifikation und Sentiment-Analyse.

Maschinelles Lernen
  • Steigerung der Effizienz von NLP-Anwendungen durch Maschinelles Lernen.
  • Training von Klassifikations- und Sentiment-Analyse-Modellen.
  • Einsatz von Hyperparameter-Tuning zur Optimierung der Vorhersagegenauigkeit.
  • Erlernen von Best Practices zur Verbesserung der Modellleistung.