Datenaufbereitung beschreibt den Prozess, mit dem Rohdaten systematisch in eine modellfähige Form überführt werden. Für Machine-Learning-Engineer:innen entscheidet dieser Schritt über Stabilität und Aussagekraft späterer Modelle. Der Kurs bündelt pandas-basierte Aufbereitung, visuelle Diagnostik in Power BI und die Einbettung in eine verantwortungsvolle KI-Praxis.


!Kursinhalt


!1. Pipeline-Aufbau mit pandas
*Daten einlesen und auf Vollständigkeit prüfen
*Erkennen und Entfernen fehlender Werte
*Skalentypen und Datenaggregation
*Datumsangaben und Boolesche Maskierung


!2. Statistische Vorprüfung als Modellvorbereitung
*Mittelwert, Median und Quartile berechnen
*Boxplots zur Verteilungsanalyse
*Lineare und logistische Regression als Referenzmodelle
*Korrelationen und Einflussfaktoren erkennen


!3. Visuelle Modelldiagnose in Power BI
*Statistische Kenngrößen in Berichten darstellen
*Trendlinien und Ausreißer dokumentieren
*Filterkontexte und Measures mit DAX
*Reporting der Datenqualität für Stakeholder


!4. Verantwortungsvolle KI-Praxis im Engineering-Kontext
*AI Readiness und Datenqualität verbinden
*Governance-Strukturen für Modelle und Daten
*Risiken und Anforderungen aus dem EU AI Act
*Bewertung von Modellinitiativen im Unternehmen


!Berufliche Relevanz


*Aufbau reproduzierbarer Vorverarbeitungsstrecken
*Übergabe geprüfter Datensätze an Trainingsläufe
*Sichtbarmachung von Datenqualität für Fachbereiche
*Anbindung an unternehmensweite KI-Roadmaps