In der Praxis des maschinellen Lernens ist die Erstellung eines Modells nur die halbe Arbeit. Erst wenn Sie wissen, wie Sie es bewerten, seine Schwächen erklären und Verbesserungen begründen können, wird Ihre Arbeit vertrauenswürdig. In diesem Kurs lernen Sie, wie Sie Regressions- und Klassifikationsmodelle anhand der richtigen Metriken bewerten, diagnostizieren, wo Modelle systematisch versagen, und feststellen, ob Leistungsunterschiede tatsächlich von Bedeutung sind. Sie üben die Auswahl von RMSE und MAE für die Berichterstattung über Immobilienpreismodelle, die Analyse von Verwechslungsmatrizen zur Aufdeckung von falsch-positiven Mustern in Spamfiltern sowie die Verwendung von Bootstrapping, um zu testen, ob AUC-Verbesserungen statistisch signifikant sind. Durch kurze Videos, angeleitete Coaching-Gespräche, praktische Übungen und ein nicht benotetes Labor gewinnen Sie Sicherheit bei der Interpretation der Modellleistung, so wie sie in echten Teams durchgeführt wird. Am Ende des Kurses werden Sie in der Lage sein, Ihre Bewertungsentscheidungen zu begründen und evidenzbasierte Modellentscheidungen zu treffen.