Der Text gibt eine nüchterne Einführung in Artificial Intelligence (AI) mit Fokus auf umsetzbare Konzepte. Es werden Begriffe sauber abgegrenzt: Artificial Intelligence als Oberbegriff, Machine Learning (ML) als lernbasierter Teilbereich, Deep Learning (DL) als neuronale Verfahren, NLP als Textverarbeitung. Thematisiert werden Datenqualität, einfache Modellklassen, Evaluationsmetriken und die Einbettung in reproduzierbare Workflows. Ziel ist ein klares Vokabular und belastbare Schritte von der Fragestellung bis zur Bewertung.
Inhaltsübersicht1. Daten und Problemdefinition2. Artificial Intelligence - Lernparadigmen3. Modelle, Metriken, Governance1. Datengrundlage und Ziele
- Datenarten, Labels, Train/Test-Aufteilung nachvollziehbar halten
- Datenbereinigung, Feature-Engineering, Dokumentation
- Risikobetrachtung: Bias, Reproduzierbarkeit, Nachvollziehbarkeit
2. Artificial Intelligence - Paradigmen
- Supervised/Unsupervised/Learning-to-Rank abgrenzen
- Beispiele: Klassifikation, Regression, Clustering, NLP
- Modellauswahl anhand Datenmenge, Ziel, Interpretierbarkeit
3. Bewertung und Betrieb
- Metriken: Accuracy, Precision/Recall, F1, ROC-AUC
- Fehleranalyse, Konfusionsmatrix, Schwellenwahl
- Versionierung, Monitoring, einfache Retraining-Kriterien