Machine Learning gehört zu den wertvollsten Kompetenzen in der Data Science. Mit Machine Learning können Data-Profis zentrale Datensätze vorhersagen, Workflows automatisieren und Erkenntnisse gewinnen. Wie sieht der Machine-Learning-Workflow aus? Diese Infografik zeigt eine vereinfachte Darstellung des Ablaufs.
Lade die Infografik herunter, indem du auf das Bild klickst
Projektstart
Geschäftsziele verstehen
Sprich mit deinen Stakeholdern und verstehe das Geschäftsziel hinter dem vorgeschlagenen Modell genau. Dieses Verständnis hilft dir, die passende technische Lösung zu planen, relevante Datenquellen zu identifizieren, die Bewertung der Modellleistung festzulegen und mehr.
Die passende Lösung wählen
Wenn du dein Problem wirklich durchdrungen hast, konzentriere dich auf die Modellkategorie, die den größten Impact liefert. Mehr dazu in diesem Machine Learning Cheat Sheet.
Datenvorbereitung
Daten sammeln
Sammle alle Daten, die du für deine Modelle brauchst – aus deiner Organisation, aus öffentlichen oder kostenpflichtigen Quellen.
Daten bereinigen
Forme unstrukturierte Rohdaten in saubere, analysierbare Daten um. Diese Checkliste zur Datenbereinigung bietet einen guten Einstieg.
Feature Engineering
Bearbeite die Datensätze, um Variablen (Features) zu erstellen, die die Vorhersagegenauigkeit deines Modells verbessern. Erzeuge dieselben Features sowohl im Trainings- als auch im Testdatensatz.
Daten aufteilen
Teile die Einträge im Datensatz zufällig in Trainings- und Testdaten auf. Für eine verlässlichere Bewertung der Modellleistung erstelle mithilfe von Cross-Validation mehrere Trainings- und Test-Splits.
Modellierung
Hyperparameter abstimmen
Optimiere für jedes Modell die Hyperparameter, um die Leistung zu steigern.
Modelle trainieren
Fitte jedes Modell auf den Trainingsdatensatz.
Vorhersagen treffen
Erzeuge Vorhersagen auf dem Testdatensatz.
Modellleistung bewerten
Berechne für jedes Modell Metriken auf dem Testdatensatz, zum Beispiel Accuracy, Recall und Precision.
Deployment
Modell bereitstellen
Bette das gewählte Modell in Dashboards, Anwendungen oder dort ein, wo du es brauchst.
Modellleistung überwachen
Teste die Leistung deines Modells regelmäßig, wenn sich deine Daten verändern, um Model Drift zu vermeiden.
Modell verbessern
Iteriere kontinuierlich und verbessere dein Modell nach dem Deployment. Ersetze es bei Bedarf durch eine aktualisierte Version, um die Leistung zu erhöhen.