Dies ist der dritte Kurs in der IBM KI Enterprise Workflow Certification Spezialisierung. Wir empfehlen Ihnen DRINGEND, diese Kurse der Reihe nach zu absolvieren, da es sich nicht um einzelne unabhängige Kurse handelt, sondern um einen Workflow, bei dem jeder Kurs auf den vorherigen aufbaut.

Kurs 3 führt Sie in die nächste Phase des Workflows für unser hypothetisches Medienunternehmen ein. In dieser Arbeitsphase lernen Sie bewährte Verfahren für das Feature Engineering, den Umgang mit Klassenungleichgewichten und die Erkennung von Bias in den Daten kennen. Klassenungleichgewichte können die Validität Ihrer Modelle für maschinelles Lernen ernsthaft beeinträchtigen, und die Abschwächung von Verzerrungen in den Daten ist unerlässlich, um das mit verzerrten Modellen verbundene Risiko zu verringern. Im Anschluss an diese Themen folgen Abschnitte über bewährte Verfahren zur Dimensionsreduzierung, Ausreißer-Erkennung und Techniken des Unüberwachten Lernens, um Muster in Ihren Daten zu finden. Die Fallstudien werden sich auf die Themen Modellierung und Datenvisualisierung konzentrieren. Am Ende dieses Kurses werden Sie in der Lage sein: 1. Die Tools anwenden, die Ihnen helfen, Probleme mit Klassen und Klassenungleichgewicht zu lösen 2. Erklären Sie die ethischen Überlegungen zu Bias in Daten 3. Verwenden Sie die Open Source-Bibliotheken von KI Fairness 360, um Bias in Modellen zu erkennen 4. Wenden Sie Techniken zur Dimensionsreduktion sowohl für die Explorative Datenanalyse (EDA) als auch für die Transformationen an 5. Beschreiben Sie Techniken zur Themenmodellierung in der Verarbeitung natürlicher Sprache 6. Verwenden Sie Themenmodellierung und Visualisierung, um Textdaten zu untersuchen 7. Wenden Sie bewährte Verfahren zur Behandlung von Ausreißern in hochdimensionalen Daten an 8. Verwenden Sie Algorithmen zur Erkennung von Ausreißern als Qualitätssicherungsinstrument und als Modellierungswerkzeug 9. Anwendung von Techniken des unüberwachten Lernens unter Verwendung von Pipelines als Teil des KI Workflows 10. Anwendung grundlegender Clustering Algorithmen Für wen ist dieser Kurs geeignet? Dieser Kurs richtet sich an Data-Science-Experten, die bereits Erfahrung mit der Erstellung von Modellen für maschinelles Lernen haben und ihre Kenntnisse über die Entwicklung und Bereitstellung von KI in großen Unternehmen vertiefen möchten. Wenn Sie ein aufstrebender Data Scientist sind, ist dieser Kurs NICHT für Sie geeignet, da Sie über praktische Erfahrungen verfügen müssen, um von den Inhalten dieses Kurses zu profitieren. Welche Kenntnisse sollten Sie mitbringen? Es wird vorausgesetzt, dass Sie die Kurse 1 und 2 der IBM KI Enterprise Workflow Specialization abgeschlossen haben und über ein solides Verständnis der folgenden Themen verfügen, bevor Sie diesen Kurs beginnen: Grundlegendes Verständnis der Linearen Algebra; Verständnis von Stichproben, Wahrscheinlichkeitstheorie und Wahrscheinlichkeitsverteilungen; Kenntnisse von deskriptiven und inferenzstatistischen Konzepten; allgemeines Verständnis von Techniken des maschinellen Lernens und Best Practices; geübtes Verständnis von Python und den in der Datenwissenschaft häufig verwendeten Paketen: NumPy, Pandas, matplotlib, scikit-learn; Vertrautheit mit IBM Watson Studio; Vertrautheit mit dem Design Thinking Prozess.