Verwaltungsinformationen
| Titel | Datenaufbereitung und -exploration |
| Dauer | 60 |
| Modulen | A |
| Unterrichtstyp | Vortrag |
| Fokussierung | Praktisch – KI-Modellierung |
| Themenbereich | Methoden zur Datenaufbereitung |
Suchbegriffe
Datenaufbereitung,Datenreinigung, Datentransformation,Datennormalisierung, Datenintegration, Datenreduzierung,
Lernziele
- Um je nach Fall die am besten geeignete Datenaufbereitungsmethode auswählen zu können
- Daten in der Praxis vorbereiten (fehlende Werte handhaben, neue abgeleitete Funktionen erstellen)
- Datenanreicherung
- Ethisch: Anonymisierung und Probleme damit (Identifikation auf indirekte Weise möglich) – auch hier sollte es einige Beispiele geben
- Imputation – erwähnen Sie, dass es Voreingenommenheit einführen kann und dass dies im Auge behalten werden muss
- Neue Feature-Erstellung – Verlust der richtigen Semantik
- Ethisch: entfernen von Verzerrungen aus dem Datensatz
- Parallelen und Unterschiede zwischen der Stichprobe von Daten in der Statistik und der Erfassung von Daten (einschließlich Big Data) für ML und KI
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
- N/A
Optional für Studenten
- N/A
Referenzen und Hintergründe für Studierende
- N/A
Empfohlen für Lehrer
Unterrichtsmaterialien
Anleitung für Lehrer
Sie können diese Klasse um die Folien herum stützen.
Gliederung
| Dauer (min) | Beschreibung | Konzepte | |
|---|---|---|---|
| 5 | Gliederung | Methoden der Datenaufbereitung: was ist der Sinn? | |
| 5 | Probleme/Vorbearbeitung | Welche Probleme können die Daten haben, Reinigung, Reinigung | |
| 5 | Datenvorbereitung | Reinigung, Transformation, Integration, Normalisierung, Imputation, Lärmerkennung | |
| 5 | Datenvorbereitung im Detail | Formen der Datenaufbereitung | |
| 10 | Datenreinigung im Detail | Beheben oder Entfernen fehlerhafter, beschädigter, falsch formatierter, doppelter oder unvollständiger Daten innerhalb eines Datensatzes | |
| 10 | Datentransformation im Detail | Konvertieren von Daten von einem Format in ein anderes, bewährte Verfahren. | |
| 5 | Datennormalisierung im Detail | Best Practices zur Datennormalisierung. | |
| 5 | Datenintegration im Detail | Best Practices für die Datenintegration. | |
| 5 | Datenreduktion im Detail | Best Practices zur Datenreduzierung. | |
| 10 | Datenaufbereitung in der Praxis | Filterung, fehlende Werte, Duplikate, | |
| 5 | Abschließende Bemerkungen | Betonung der Bedeutung der Datenaufbereitung. |
Danksagung
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.