Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Einführung
Dieses Modul beginnt mit einer Suggestivfrage.
Wählen Sie eine der folgenden Antworten aus:
Wenn Sie in einem der folgenden Bereiche Verbesserungsbedarf hatten,
die in Ihrem ML-Projekt am meisten
Auswirkungen?
Qualität des Datensatzes verbessern
Daten haben Vorrang vor allen.
Die Qualität und Größe des Datasets ist viel wichtiger als das,
mit dem Sie Ihr Modell erstellen.
Eine intelligentere Verlustfunktion für das Training Ihres Modells anwenden
Eine bessere Verlustfunktion kann zwar dazu beitragen, dass ein Modell schneller trainiert wird, sie ist aber immer noch weit abgeschlagen hinter einem anderen Element auf dieser Liste.
Und hier kommt eine noch Suggestivfrage:
Lassen Sie uns raten: Wie viel Zeit in Ihrem ML-Projekt
widmen Sie sich normalerweise der Datenvorbereitung und -transformation?
Mehr als die Hälfte der Projektzeit
Ja, ML-Anwender verbringen den Großteil ihrer Zeit
für das Erstellen von Datasets
und für Feature Engineering.
Weniger als die Hälfte der Projektzeit
Planen Sie für mehr! Normalerweise werden 80 % der Zeit in einem Projekt für maschinelles Lernen für die Erstellung von Datasets und die Transformation von Daten aufgewendet.
In diesem Modul erfahren Sie mehr über die Eigenschaften des maschinellen Lernens.
Datasets und wie Sie Ihre Daten aufbereiten, um qualitativ hochwertige Ergebnisse zu gewährleisten, wenn
Ihr Modell zu trainieren und zu bewerten.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Benötigte Informationen nicht gefunden","missingTheInformationINeed","thumb-down"],["Zu umständlich/zu viele Schritte","tooComplicatedTooManySteps","thumb-down"],["Nicht mehr aktuell","outOfDate","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Problem mit Beispielen/Code","samplesCodeIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-07-27 (UTC)."],[[["This module emphasizes the critical role of data quality in machine learning projects, highlighting that it significantly impacts model performance more than algorithm choice."],["Machine learning practitioners typically dedicate a substantial portion of their project time (around 80%) to data preparation and transformation, including tasks like dataset construction and feature engineering."],["The module covers key concepts in data preparation, such as identifying data characteristics, handling unreliable data, understanding data labels, and splitting datasets for training and evaluation."],["Learners will gain insights into techniques for improving data quality, mitigating issues like overfitting, and interpreting loss curves to assess model performance."],["This module builds upon foundational machine learning concepts, assuming familiarity with topics like linear regression, numerical and categorical data handling, and basic machine learning principles."]]],[]]