KI-Workflow: Feature Engineering und Bias-Erkennung

Beschreibung

Dies ist der dritte Kurs in der IBM AI Enterprise Workflow-Zertifizierungsspezialisierung. Es wird Ihnen DRINGEND empfohlen, diese Kurse der Reihe nach zu absolvieren, da es sich nicht um einzelne, unabhängige Kurse handelt, sondern um einen Teil eines Arbeitsablaufs, bei dem jeder Kurs auf den vorherigen aufbaut.

Kurs 3 führt Sie in die nächste Phase des Arbeitsablaufs für unser hypothetisches Medienunternehmen ein. In dieser Arbeitsphase lernen Sie Best Practices für die Feature-Entwicklung, den Umgang mit Klassenungleichgewichten und die Erkennung von Verzerrungen in den Daten kennen. Klassenungleichgewichte können die Gültigkeit Ihrer Modelle für maschinelles Lernen erheblich beeinträchtigen, und die Minderung von Verzerrungen in Daten ist von entscheidender Bedeutung, um das mit verzerrten Modellen verbundene Risiko zu verringern. Auf diese Themen folgen Abschnitte zu Best Practices zur Dimensionsreduzierung, zur Erkennung von Ausreißern und zu unüberwachten Lerntechniken zum Auffinden von Mustern in Ihren Daten. Die Fallstudien konzentrieren sich auf Themenmodellierung und Datenvisualisierung.

Am Ende dieses Kurses können Sie:
1. Setzen Sie die Tools ein, die bei der Bewältigung von Klassen- und Klassenungleichgewichtsproblemen helfen
2. Erläutern Sie die ethischen Überlegungen zur Verzerrung von Daten
3. Nutzen Sie die Open-Source-Bibliotheken ai Fairness 360, um Verzerrungen in Modellen zu erkennen
4. Wenden Sie Dimensionsreduktionstechniken sowohl für die EDA- als auch für die Transformationsphase an
5. Beschreiben Sie Themenmodellierungstechniken in der Verarbeitung natürlicher Sprache
6. Verwenden Sie Themenmodellierung und Visualisierung, um Textdaten zu erkunden
7. Wenden Sie Best Practices für den Umgang mit Ausreißern bei hochdimensionalen Daten an
8. Setzen Sie Ausreißer-Erkennungsalgorithmen als Qualitätssicherungs- und Modellierungstool ein
9. Setzen Sie unbeaufsichtigte Lerntechniken mithilfe von Pipelines als Teil des KI-Workflows ein
10. Setzen Sie grundlegende Clustering-Algorithmen ein

Wer sollte diesen Kurs belegen?
Dieser Kurs richtet sich an bestehende Data-Science-Praktiker, die über Erfahrung im Aufbau von Modellen für maschinelles Lernen verfügen und ihre Fähigkeiten im Aufbau und Einsatz von KI in großen Unternehmen vertiefen möchten. Wenn Sie ein angehender Data Scientist sind, ist dieser Kurs NICHT für Sie geeignet, da Sie Fachwissen aus der Praxis benötigen, um von den Inhalten dieser Kurse zu profitieren.

Welche Fähigkeiten sollten Sie mitbringen?
Es wird davon ausgegangen, dass Sie die Kurse 1 und 2 der IBM AI Enterprise Workflow-Spezialisierung abgeschlossen haben und vor Beginn dieses Kurses über solide Kenntnisse der folgenden Themen verfügen: Grundlegendes Verständnis der linearen Algebra; Stichproben, Wahrscheinlichkeitstheorie und Wahrscheinlichkeitsverteilungen verstehen; Kenntnisse deskriptiver und inferenzstatistischer Konzepte; Allgemeines Verständnis von Techniken und Best Practices des maschinellen Lernens; 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.