Angewandtes Machine Learning

Im Modul "Grundkompetenz Machine Learning" wird die Basis geschaffen Daten mit Supervised und Unsupervised Learning Verfahren zu untersuchen.

In der Praxis stellt sich die Frage wie diese Verfahren nun idealerweise eingesetzt werden sollen. Oder konkreter: Wie werden Daten und Features für ein erfolgreiches Modellieren aufbereitet? Welche Metriken sind für einen bestimmten Praxisfall die richtigen? Wie können Modelle verglichen, deren Vorhersagen plausibilisiert und erklärt werden?

Im Modul "Angewandtes Machine Learning" geht es deshalb weniger um Algorithmen und deren Implementierung from scratch, sondern um den korrekten Einsatz und die praxis-orientierte Kombination von Machine Learning Verfahren.

Studierende sind in der Lage Zielvariablen zur Beantwortung domänenspezifischer Fragestellungen zu definieren, mittels Feature Engineering und Unsupervised Learning zusätzliche Einflussfaktoren für die Modellierung zu konstruieren und Daten zu partitionieren, um die Modellverifikation und den produktiven Einsatz von Modellen zu ermöglichen.

Studierende sind in der Lage praxis-relevante Metriken zur Bewertung der Modellgüte zu identifizieren und Standardmethoden für Regressions- und Klassifikations-aufgaben korrekt anzuwenden. Weiter können sie Frameworks und Methoden nutzen, um Vorhersagemodelle zu trainieren, zu vergleichen und zu optimieren und kennen schliesslich Strategien zur Entwicklung von Machine Learning Modellen.

Studierende verstehen es Modell-Outputs mit deskriptiver Statistik zu quantifizieren (z.B. die Verteilung von Modell-Scores), mit Methoden des Unsupervised Learnings zu analysieren und den Einfluss erklärender Variablen zu identifizieren. Schliesslich können Studierende den Effekt von Modellen für Pilotversuche abschätzen und haben ein Verständnis wie Daten- und Modellqualität mittels Monitoring für die Produktivsetzung von Modellen zu prüfen sind.

Explorative Datenanalyse, Data Wrangling, Grundkompetenz Machine Learning