Low-Code AI

Kapitel 3. Bibliotheken und Frameworks für maschinelles Lernen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel werden Frameworks für maschinelles Lernen (ML) vorgestellt, die die Entwicklung von ML-Modellen vereinfachen. Um ML-Pipelines zu erstellen und zu trainieren, musst du in der Regel die zugrunde liegenden Prinzipien der Mathematik, Statistik und ML verstehen. Diese Frameworks helfen dir, indem sie viele der zeitaufwändigen ML-Workflow-Aufgaben automatisieren, z. B. die Auswahl von Merkmalen und Algorithmen, das Schreiben von Code, die Entwicklung von Pipelines, die Leistungsoptimierung und die Bereitstellung von Modellen.

No-Code AutoML

Stell dir vor: Du bist Wirtschaftsanalytiker/in und arbeitest für ein Versorgungsunternehmen. Du hast ein Projekt, bei dem du dem Unternehmen helfen sollst, Marketing- und Öffentlichkeitsarbeitsprogramme zu entwickeln, die sich an Gemeinden mit hohem Stromverbrauch richten. Die Daten liegen in einerCSV-Datei (Comma Separated Value) vor.

Du hast keinen ML-Hintergrund und keine Programmierkenntnisse, aber der Teamleiter hat dich gebeten, dieses Projekt zu übernehmen, weil du dich für ML interessierst und wissen willst, wie es in deinem Unternehmen eingesetzt werden kann. Obwohl du keine Erfahrung im Programmieren hast, hast du bei deinen Recherchen ein paar Beobachtungen gemacht:

• Für Nicht-Codierer wie dich gibt es automatisierte no-code ...