Wie erklären wir, wie ein neuronales Netzwerk ein Bild erkennen kann? Manchmal stoßen wir als Datenwissenschaftler auf Fälle, in denen wir ein Modell für maschinelles Lernen erstellen müssen, das keine Blackbox sein sollte, sondern transparente Entscheidungen treffen sollte, die für Menschen verständlich sind.
Mehr als 80 % der Data-Science-Projekte scheitern und liefern nie einen ROI für das Unternehmen. Was steckt hinter der hohen Ausfallquote und wie können wir das ändern?
Links: eine gutartige Mammographie, rechts: eine Mammographie, die einen Krebstumor zeigt. Quelle: Nationales Krebsinstitut Möglicherweise haben Sie von der aktuellen Google Health-Studie gelesen, in der die Forscher ein KI-Modell trainierten und evaluierten, um Brustkrebs in Mammographien zu erkennen.
Möglicherweise haben Sie die Nachrichten über den neuen futuristischen Chatbot von Facebook , der auf Empathie trainiert wurde, in 1,5 Milliarden Reddit-Posts gesehen.
Eine Herausforderung, mit der große Unternehmen heute konfrontiert sind, besteht darin, zu verstehen und vorherzusagen, welche Mitarbeiter das Unternehmen verlassen werden, was als Vorhersage der Mitarbeiterfluktuation oder Vorhersage der Abwanderung von Mitarbeitern bezeichnet wird.
Was ist automatisiertes ML? Automatisiertes maschinelles Lernen ist eine Software, die es theoretisch jedem ermöglicht, Modelle für maschinelles Lernen zu entwerfen, zu trainieren und in Produktionsumgebungen bereitzustellen, ohne Code schreiben zu müssen.
Warum ist es so schwierig, traditionelles Projektmanagement auf Data-Science-Projekte anzuwenden? Wie Sie Ihr Data-Science-Projektmanagement reibungslos gestalten. Eine törichte Konsequenz ist der Kobold der Kleingeister.
Es ist oft recht komplex und zeitaufwändig, ein Data-Science-Projekt auf den Weg zu bringen. Deshalb teile ich einige meiner Gedanken und meine Checkliste für die Voraussetzungen, die für den Start eines Data-Science-Projekts erforderlich sind.
Empfehlungssysteme im Einzelhandel Wenn Sie schon einmal etwas bei Amazon oder anderen großen Online-Händlern gekauft haben, sind Ihnen die „ähnlichen Produkte“ aufgefallen, die Ihnen die Website nach dem Kauf empfiehlt.
Geschlechtsspezifische Voreingenommenheit bei der Kreditbewertungs-KI? In den letzten Wochen haben mehrere Apple-Card-Nutzer in den USA berichtet, dass ihnen und ihren Partnern trotz gleichem Einkommen und gleicher Kreditwürdigkeit sehr unterschiedliche Kreditlimits für die Markenkreditkarte zugewiesen wurden (siehe BBC-Artikel ).
Warum müssen wir die Kundenausgaben vorhersagen? Möglicherweise haben Sie meinen vorherigen Beitrag über die Vorhersage der Kundenabwanderung gelesen. Ein weiteres ähnliches Problem, das genauso wichtig ist wie die Vorhersage verlorener Kunden, ist die Vorhersage der täglichen Ausgaben der Kunden.
Zuvor habe ich einen weiteren Beitrag über die Vorhersage der Ausgaben eines einzelnen bekannten Kunden geschrieben. Es gibt ein damit verbundenes Problem, das darin besteht, die Gesamtausgaben aller Ihrer Kunden oder eines großen Teils davon vorherzusagen.
What we can do for you
