Detaillierte Informationen zum Seminar
Inhalte:
- Grundlagen der Datenqualität
- Typische Datenprobleme
- Datenbereinigung und -aufbereitung
- Validierung und Sicherung der Datenqualität
- Datenqualität messbar machen: Wichtige Metriken und ihre Anwendung
- Datenverzerrungen und Fairness
- Anomalieerkennung
- Python und LLM-Unterstützung
- Datenqualität und Modellleistung
- Best Practices und Tools
Ziele/Bildungsabschluss:
- Datenqualität als zentralen Erfolgsfaktor in der KI-Entwicklung erkennen und bewerten.
- Qualitätsprobleme wie Datenlücken, Inkonsistenzen oder Verzerrungen erkennen und beheben.
- Python für Datenbereinigung, Datenvalidierung und Anomalieerkennung einsetzen.
- Qualitätsmetriken für Trainings- und Testdaten definieren und berechnen.
- Metriken, um die Qualität Ihrer Daten messen, bewerten, überwachen und systematisch verbessern
- Mit LLMs gezielt Coding-Aufgaben beschleunigen und Python-Code effizienter schreiben.
- Strategien für den Umgang mit unsauberen Daten und deren Auswirkungen auf Modelltraining und -bewertung.
- Praktische Tools und Best Practices für die Sicherung und Verbesserung der Datenqualität anwenden.
Teilnahmevoraussetzungen:
Vorteilhaft ist die vorherige Teilnahme am Seminar Datenqualität als Complianceanforderung.
Zielgruppe:
- Data Scientists, KI-Entwickler und Ingenieure, die Datenaufbereitungsprozesse für KI-Modelle entwickeln und automatisiert betreiben.
- Qualitätssicherungsexperten im Kontext datengetriebener Anwendungen.
- Projektmanager und Führungskräfte, die robuste und zuverlässige KI-Projekte sicherstellen möchten.
- Python-Einsteiger, die mithilfe von LLMs effizienter lernen und entwickeln möchten.
Seminarkennung:
Inhouse-Lehrgang: ET AIDQ
