Die Einheit "Basics" richtet sich an Einsteiger:innen und setzt auf präzise Definitionen und überprüfbare Schritte. Artificial Intelligence wird als Sammelbegriff gefasst, darunter ML, DL und NLP als spezialisierte Verfahren. Behandelt werden grundlegende Datenvorbereitung, verständliche Modelle, klare Metriken und ein minimales Prozess-Gerüst für reproduzierbare Experimente. So entstehen nachvollziehbare Ergebnisse ohne unnötige Komplexität.
Inhaltsübersicht1. Grundlagen - Daten, Ziele, Begriffe2. Artificial Intelligence - einfache Modelle3. Evaluation - Metriken und Fehlerbilder4. Artificial Intelligence - Workflow und Praxis5. Ausblick - Grenzen und nächste Schritte1. Daten und Begriffe
- Begriffe ordnen: Artificial Intelligence, ML, DL, NLP
- Datenqualität prüfen: Vollständigkeit, Konsistenz, Sprache
- Train/Validation/Test klar trennen
2. Artificial Intelligence - Modelle
- Lineare Modelle, Entscheidungsbäume, k-NN kurz einordnen
- Einsatzkriterien: Datenmenge, Interpretierbarkeit, Aufwand
- Baselines definieren und dokumentieren
3. Evaluation
- Metriken wählen: Accuracy, Precision, Recall, F1
- Konfusionsmatrix lesen und Schwellen steuern
- Kreuzvalidierung zur Stabilitätsprüfung nutzen
4. Artificial Intelligence - Workflow
- Schritte: Datennahme→Preprocessing→Modell→Bericht
- Versionierung/Seeds fixieren, Notebooks/Reports konsistent halten
- Einfache Governance-Checks (Bias, Drift) notieren
5. Ausblick
- NLP-Anwendungen, Zeitreihen, Bilder als nächste Felder
- Grenzen benennen: Datendrift, Überanpassung, Messfehler
Weiterführende Dokumentation und Vergleichsexperimente planen