Die University Network

AI Workflow: Feature Engineering und Bias Detection

BESCHREIBUNG

Dies ist der dritte Kurs in der Spezialisierung IBM IBM Enterprise Workflow Certification. Es wird dringend empfohlen, diese Kurse in der richtigen Reihenfolge zu absolvieren, da es sich nicht um einzelne unabhängige Kurse handelt, sondern um einen Teil eines Workflows, 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 Best Practices für das Feature-Engineering, den Umgang mit Klassenungleichgewichten und das Erkennen von Verzerrungen in den Daten. Klassenungleichgewichte können die Gültigkeit Ihrer Modelle für maschinelles Lernen ernsthaft beeinträchtigen, und die Verringerung von Verzerrungen in Daten ist wichtig, um das mit voreingenommenen Modellen verbundene Risiko zu verringern. Auf diese Themen folgen Abschnitte mit Best Practices zur Dimensionsreduzierung, Ausreißererkennung und unbeaufsichtigten 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, mit denen Probleme mit Klassen und Klassenungleichgewichten behoben werden können
2. Erläutern Sie die ethischen Überlegungen zur Verzerrung von Daten
3. Verwenden Sie Open Source-Bibliotheken von ai Fairness 360, um Verzerrungen in Modellen zu erkennen
4. Verwenden Sie Techniken zur Dimensionsreduzierung sowohl für EDA- als auch für Transformationsphasen
5. Beschreiben Sie Themenmodellierungstechniken in der Verarbeitung natürlicher Sprache
6. Verwenden Sie die Themenmodellierung und -visualisierung, um Textdaten zu untersuchen
7. Setzen Sie Best Practices für den Umgang mit Ausreißern in hochdimensionalen Daten ein
8. Verwenden Sie Ausreißererkennungsalgorithmen als Qualitätssicherungs- und Modellierungswerkzeug
9. Setzen Sie unbeaufsichtigte Lerntechniken mithilfe von Pipelines als Teil des AI-Workflows ein
10. Verwenden Sie grundlegende Clustering-Algorithmen
 
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 beim Aufbau und Einsatz von KI in großen Unternehmen vertiefen möchten. Wenn Sie ein aufstrebender Data Scientist sind, ist dieser Kurs NICHT für Sie geeignet, da Sie echtes Fachwissen benötigen, um vom Inhalt dieser Kurse zu profitieren.
 
Welche Fähigkeiten sollten Sie haben?
Es wird davon ausgegangen, dass Sie die Kurse 1 und 2 der IBM AI Enterprise Workflow-Spezialisierung abgeschlossen haben und vor Beginn dieses Kurses ein solides Verständnis für die folgenden Themen haben: Grundlegendes Verständnis der linearen Algebra; Stichproben, Wahrscheinlichkeitstheorie und Wahrscheinlichkeitsverteilungen verstehen; Kenntnis deskriptiver und inferentieller statistischer Konzepte; Allgemeines Verständnis der Techniken und Best Practices des maschinellen Lernens; Geübtes Verständnis von Python und den in der Datenwissenschaft gebräuchlichen Paketen: NumPy, Pandas, matplotlib, scikit-learn; Vertrautheit mit IBM Watson Studio; Vertrautheit mit dem Design Thinking Prozess.

Preis: Kostenlos anmelden!

Sprache: Englisch

Untertitel: Englisch

AI Workflow: Feature Engineering und Bias Detection - IBM