In Machine Learning Projekten nimmt Feature Engineering eine wichtige Rolle ein, weil die Qualität der Eingangsmerkmale oft mehr beeinflusst als die Wahl des Algorithmus. Wer hier strukturiert arbeitet, gewinnt erheblich an Vorhersagekraft. Der Kurs zeigt, wie Features methodisch erzeugt und ausgewählt werden.

!Kursinhalt

!1. Analyse vorhandener Daten
*Verteilungen und Auffälligkeiten
*Fehlende Werte und Ausreißer
*Beziehungen zwischen Variablen

!2. Erzeugung neuer Features
*Aggregierte Größen
*Zeitliche und kategoriale Merkmale
*Domänenspezifische Ableitungen

!3. Auswahl und Bewertung von Features
*Korrelations- und Wichtigkeitsanalysen
*Vermeidung von Datenleckagen
*Konsistenz zwischen Training und Inferenz

!4. Pflege der Feature-Pipeline
*Wiederverwendbarkeit über Projekte
*Versionierung und Dokumentation
*Verzahnung mit produktivem Betrieb

!Berufliche Relevanz

*Höhere Vorhersagegüte in ML-Projekten
*Reduktion des Aufwands bei wiederholten Modellen
*Profilierung als methodisch fundierte:r Engineer