Wenden Sie Bagging, Boosting und Stacking auf denselben Datensatz an, vergleichen Sie die Metriken und quantifizieren Sie den Ensemble-Lift im Vergleich zu Einzelmodellen

Bewertung des Verhältnisses von Rechenaufwand und Leistungsgewinn für jede Ensemble-Methode und Empfehlung zur Umsetzbarkeit

Erstellen Sie ein Feed-Forward-Neuralnetz mit Keras/PyTorch, erreichen Sie einen vorgegebenen Validierungsverlust und dokumentieren Sie die gewählten Architekturentscheidungen.

Bewerten Sie das Überanpassen anhand einer Lernkurvenanalyse und implementieren Sie Regularisierung (Dropout/L2), um die Generalisierungsziele zu erreichen.

Die Lernenden werden LLMs einsetzen, um erste Entwürfe von Executive Briefs zu erstellen, die die Erkenntnisse des Modells zusammenfassen, und die Eingabeaufforderungen so verfeinern, dass sie bestimmte ROUGE- oder BLEU-Werte erreichen.

Die Teilnehmer erstellen umfassende Daten-zu-Text-Pipelines, die SQL, Python und LLM-APIs kombinieren, um KPI-Tabellen (Key Performance Indicator) automatisch in narrative Zusammenfassungen umzuwandeln.

Die Lernenden werden kleine LLMs anhand der FAQs des Unternehmens feinabstimmen und die Verbesserung der Relevanz der Antworten durch eine systematische Bewertung durch Menschen messen.

Die Lernenden werden anhand einer systematischen Analyse die Kompromisse zwischen Kosten und Latenz bei Open-Source- und kommerziellen LLMs für Echtzeit-Chat-Anwendungen bewerten.

Entwickeln Sie einen Chatbot-Prototyp unter Verwendung von RAG (Retrieval-Augmented Generation) und messen Sie die Nutzerzufriedenheit mithilfe einer SUS-Umfrage.

Die Kennzahlen zum Dialogverlauf (Fallback-Rate, Gesprächslänge) auswerten und die Regeln zur Intent-Zuordnung iterativ optimieren.

Wenden Sie die Erkennung benannter Entitäten an, um Schlüsselbegriffe aus Support-Tickets zu extrahieren und die Präzision und den Recall zu quantifizieren.

Bewerte zwei Vektorisierungstechniken (TF-IDF vs. Einbettungen) bei einer Textklassifizierungsaufgabe.

Sie entwickeln eine durchgängige, KI-gestützte Anwendung zur Gewinnung von Erkenntnissen, die Ensemble-Modellierung mit der Erzeugung von Erklärungen auf Basis großer Sprachmodelle (LLM) kombiniert. Sie trainieren und bewerten ein Ensemble-Modell zur Vorhersage von Kunden-Health-Scores, ermitteln die Bedeutung der Merkmale und integrieren ein großes Sprachmodell, um für jede Vorhersage Erklärungen in natürlicher Sprache zu generieren. Das Endergebnis ist eine funktionsfähige Anwendung mit einer einfachen Benutzeroberfläche und einer für ein Entwicklungsteam geeigneten technischen Dokumentation.