In diesem Modul lernen Sie, Datenverteilungen zu analysieren, Muster zu erkennen und Anomalien durch statistische und visuelle Methoden zu identifizieren. Durch praktische Übungen wenden Sie Feature Selection und Feature Engineering-Techniken an, um die Leistung des Modells zu verbessern, und lernen den Umgang mit Datenungleichgewichten mithilfe von Techniken wie Oversampling, Subsampling und SMOTE.

Dieses Modul konzentriert sich auf die Auswahl geeigneter Modelle auf der Basis von Datenmerkmalen und Projektanforderungen. Sie werden mehrere Modelle implementieren und dabei klassische ML-, Deep Learning- und generative KI-Ansätze vergleichen. Durch praktische Übungen lernen Sie, Modelle auszuwählen und zu implementieren, die am besten zu Ihrem Anwendungsfall passen, und Ensemble-Techniken zur Verbesserung der Modellleistung einzusetzen.

In diesem Modul lernen Sie, Modelle mit geeigneten Metriken für verschiedene Arten von ML-Aufgaben zu bewerten. Sie beherrschen die Modellinterpretation mit Hilfe von Methoden zur Bedeutung von Merkmalen und befassen sich mit Überlegungen zu Fairness und Bias. Der Schwerpunkt des Moduls liegt auf praktischen Ansätzen zur Gewährleistung der Reliabilität von Modellen und der ethischen Implementierung.

Das letzte Modul behandelt die praktischen Aspekte der Bereitstellung und Pflege von ML-Modellen. Sie lernen verschiedene Bereitstellungsstrategien kennen und erfahren, wie Sie Modelle auf Leistungsabweichungen und Verfall überwachen können. Sie lernen, wann und wie Modelle in Produktionsumgebungen neu trainiert und gewartet werden sollten, wobei der Schwerpunkt eher auf dem konzeptionellen Verständnis als auf einer tiefgreifenden technischen Implementierung liegt.