Eine mangelhafte Datenvorverarbeitung ist für 80 % der Ausfälle in der ML-Produktion verantwortlich, wodurch die Datenqualität wichtiger ist als die Wahl des Algorithmus. Dieser umfassende Kurs vermittelt Java-Entwicklern die notwendigen Fähigkeiten, um Vorverarbeitungs-Pipelines auf Unternehmensniveau zu erstellen, die unstrukturierte Daten aus der Praxis in ML-fähige Merkmale umwandeln. In praktischen Übungen mit OpenCSV und Apache Commons CSV erlernen Sie Parsing-Techniken für große Datensätze und setzen dabei Normalisierungsstrategien wie Min-Max-Skalierung und Z-Score-Standardisierung um.

Sie entwerfen modulare Workflows unter Verwendung von Builder-Mustern, die sich in Java-ML-Frameworks wie Weka und DL4J integrieren lassen. Interaktive Coach-Dialoge simulieren reale Produktionsszenarien, darunter die Fehlerbehebung bei Pipeline-Ausfällen und die Lösung von Problemen mit der Modellleistung unter unternehmensspezifischen Einschränkungen. Dieser Kurs ist ideal für angehende Datenwissenschaftler, Machine-Learning-Ingenieure und Datenanalysten, die ihr Verständnis der Datenvorverarbeitung vertiefen möchten. Er ist zudem wertvoll für Softwareentwickler, die an ML-Projekten arbeiten, oder für alle, die die Datenqualität für Analysen und Modellierung verbessern möchten. Die Teilnehmer sollten über mittlere Java-Programmierkenntnisse verfügen, objektorientierte Konzepte sicher beherrschen, Grundkenntnisse in Datenstrukturen und Datei-I/O besitzen sowie ein grundlegendes Verständnis der Prinzipien des maschinellen Lernens wie Merkmale und Trainings-/Testdatensätze haben. Kenntnisse im Umgang mit Build-Tools wie Maven oder Gradle sind ebenfalls hilfreich, um Projekte effizient zu verwalten und auszuführen. Nach Abschluss des Kurses werden Sie in der Lage sein, souverän Vorverarbeitungs-Pipelines zu erstellen, die die Datenintegrität von der Entwicklung bis zur Produktion gewährleisten, Validierungstechniken zur Erkennung von Datenverschiebungen zu implementieren und Überwachungssysteme für eine konsistente Leistung im großen Maßstab zu entwickeln. Dieser Kurs vermittelt praktisches Fachwissen zur Beseitigung von Datenqualitätsproblemen, mit denen die meisten ML-Projekte zu kämpfen haben.