Artificial Intelligence: für Data Analysts

Ein kompakter Überblick richtet sich an Analyst:innen, die Text-, Log- und Tabellendaten zusammenführen. Artificial Intelligence wird als Oberbegriff gefasst; Machine Learning (ML) als lernbasierter Teilbereich; Natural Language Processing (NLP) als Verarbeitung von Sprache. Im Fokus stehen belastbare Datenpipelines, nachvollziehbare Features und klar dokumentierte Experimente. Artificial Intelligence wird in bestehende Analyseprozesse integriert - mit transparenter Metrikführung, reproduzierbaren Seeds und klaren Übergaben an Reporting. Begriffe wie TF-IDF (Termgewichtung), Embedding (Vektorabbildung) und SQL (Structured Query Language) werden präzise eingeordnet. Artificial Intelligence bleibt dabei zweckmäßig und prüfbar einsetzbar.

!Inhaltsübersicht
!1. Datenbasis - Beschaffung und Qualität
!2. Artificial Intelligence - Feature-Engineering für Text und Tabellen
!3. Modellierung - Bewertung und Vergleich
!4. Artificial Intelligence - Übergabe an Dashboards und Prozesse

!1. Datenaufnahme und Struktur
*Quellen anbinden: Dateien, APIs, Datenbanken (SQL)
*Datenprofiling: Vollständigkeit, Zeichensatz, Sprache, Duplikate
*IDs, Zeitstempel, Labels und Versionen konsistent führen

!2. Artificial Intelligence - Merkmale und Repräsentationen
*TF-IDF, N-Gramme, Dokumentlänge als erklärende Variablen
*Embeddings für Wörter/Sätze sachgerecht einsetzen
*Skalierung, Regularisierung und Leakage vermeiden

!3. Modellierung und Auswertung
*Baselines: Mehrheitsklasse, lineare Modelle, Entscheidungsgrenzen
*Metriken: Precision, Recall, F1, ROC-AUC systematisch berichten
*Fehleranalyse mit Beispielen, Konfusionsmatrix, Schwellenwahl

!4. Artificial Intelligence - Nutzung in Analysen
*Exports: Labels, Scores, Schlagwörter für BI-Tools
*Zeitreihen und Segmentberichte strukturiert aufbereiten
*Monitoring: Drift-Indikatoren, Retraining-Kriterien, Seeds