Teilnehmer erlernen die vollständige Entwicklung von Machine Learning Pipelines, beginnend beim Datenimport bis zur abschließenden Modellbewertung.
Effiziente Datenvorbereitung für Machine Learning Pipelines- Daten aus unterschiedlichen Quellen importieren, bereinigen und transformieren
- Feature Engineering zur Verbesserung der Modellleistung anwenden
- Automatisierte Prozesse zur Datenaufbereitung entwickeln und optimieren
Modelltraining und Optimierung in Machine Learning Pipelines
- Trainings- und Testdatensätze erstellen und Modelle auf unterschiedliche Szenarien anpassen
- Hyperparameter-Tuning zur Verbesserung der Vorhersagegenauigkeit durchführen
- Ensemble-Methoden und Boosting-Techniken für robustere Modelle einsetzen
Modellbewertung und Interpretierbarkeit
- Leistungsmetriken wie Genauigkeit, F1-Score und ROC-Kurve zur Modellbewertung nutzen
- Feature Importance und SHAP-Werte zur Interpretation von Modellentscheidungen anwenden
- Ergebnisse strukturieren und datengetriebene Entscheidungen anhand fundierter Analysen treffen