Bewertung von Datenquellen

Du entwickelst ein Machine-Learning-Modell, um den Energieverbrauch in verschiedenen Stadtbezirken vorherzusagen. Deine Aufgabe ist es, Daten zum Stromverbrauch in Haushalten, regionale Wetterdaten und sozioökonomische Indikatoren aus öffentlichen Volkszählungsdaten zu bewerten.

Diese Übung ist Teil des Kurses

<Kurs>Verantwortungsvolle KI-Datenverwaltung</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>Verantwortungsvolle KI-Datenverwaltung</Kurs>

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne die grundlegenden Konzepte der verantwortungsvollen Datenverwaltung in der KI kennen. Du beleuchtest zentrale Dimensionen wie Sicherheit, Transparenz, Fairness und mehr, definierst passende Kennzahlen und Herausforderungen und verstehst, wie du verantwortungsvolle KI mit anderen geschäftlichen und technischen Anforderungen in Einklang bringst.

Exercise 1: Dimensionen verantwortungsvoller Datenarbeit Exercise 2: KI verantwortungsvoll entwickeln Exercise 3: Dimensionen verantwortungsvoller Daten Exercise 4: Metriken für verantwortungsvolle KI Exercise 5: Ein verantwortungsvolles KI-Projekt planen Exercise 6: Verantwortungsvoller Datenumgang Exercise 7: Fairness in KI-Projekten Exercise 8: Herausforderungen verantwortungsvoller KI Exercise 9: Abwägungen in verantwortungsvoller KI Exercise 10: Berufliche Pflichten und ethisches Verhalten

Datenvorschriften sind entscheidend für die Rechtmäßigkeit jedes KI-Projekts. Lerne wichtige Regelwerke, Lizenzen von Drittanbietern sowie Compliance-Strategien für informierte Einwilligungen und Datenfreigabevereinbarungen (in Abstimmung mit Rechtsberatung) kennen. Abschließend erfährst du, wie du robuste Strategien für Data Governance und einen Datenmanagementplan entwickelst, damit dein Projekt über seinen gesamten Lebenszyklus hinweg compliant bleibt.

Exercise 1: Überblick über Datenregulierung Exercise 2: Datenschutzgesetze Exercise 3: Datenregulierung in einem Projekt Exercise 4: Daten-Compliance Exercise 5: Rechte von Dateninhabern und Compliance Exercise 6: Vereinbarungen zur Datennutzung (DUAs)Exercise 7: Lizenzen von Drittanbietern Exercise 8: Arten von Lizenzen Exercise 9: Lizenzverträge Exercise 10: Eine Lizenz auswählen Exercise 11: Data Governance und Datenmanagementplan (DMP)Exercise 12: Datenmanagement Exercise 13: Bestandteile eines DMP

Navigiere durch die verantwortungsvolle Auswahl und Integration von Datenquellen, indem du Herkunft, Art und Zeitbezug von Daten berücksichtigst und rechtliche Compliance, Diversität und Fairness in den Fokus stellst. Durch die Betrachtung von Verzerrungsarten und ihrer Ursachen analysierst du Fairness und Repräsentation, um einen umfassenden Datensatz für das Modellieren zu erstellen.

Exercise 1: Datenquellen Exercise 2: Arten von Datenquellen Exercise 3: Datenquelle und verantwortungsvolle Dimensionen Exercise 4: Einschränkungen von Datenquellen Exercise 5: Einschränkungen von Datenquellen Exercise 6: Datenquellen und Bias Exercise 7: Auswahl von Datenquellen Exercise 8: Bewertung von Datenquellen

Aktuelle Übung

Exercise 9: Datenaugmentierung Exercise 10: Datenintegration Exercise 11: Schritte der Datenintegration Exercise 12: Risiken und Vorteile der Datenintegration

Verstehe Data Audits, Datenvalidierung und Maßnahmen zur Verzerrungsminderung. Datenvorverarbeitung und das Erkennen von Verzerrungen im Modell klingt nicht spannend – aber mit bewährten Ansätzen und erprobten Techniken machen wir es schlank und effektiv!

Exercise 1: Daten-Audit Exercise 2: Daten-Audit im Projektlebenszyklus Exercise 3: Notwendigkeit eines Daten-Audits Exercise 4: Datenvalidierung Exercise 5: Datenvalidierung definieren Exercise 6: Ansätze zur Datenvalidierung Exercise 7: Best Practices für die Datenvalidierung Exercise 8: Subgruppenanalyse Exercise 9: Datenvalidierung im Projekt Exercise 10: Vorverarbeitung und Bias Exercise 11: Bias mindern Exercise 12: Mitigationsstrategien Exercise 13: Bias-Minderung über den gesamten Projektlebenszyklus Exercise 14: Folgen der Bias-Mitigation Exercise 15: Bias nach dem Deployment Exercise 16: Glückwunsch!