Projekte
Projekte sind im Kurs nicht als Zusatzmaterial gedacht, sondern als Ort, an dem sich zeigt, ob ein Workflow wirklich verstanden wurde. Ein gutes Projekt erkennt sich nicht daran, dass möglichst viele Bibliotheken vorkommen, sondern daran, dass Problem, Daten, Modellwahl und Bewertung zusammenpassen.
Inhaltsverzeichnis
Ziel der Projektphase
Die Projektphase übersetzt die einzelnen Kursbausteine in eine zusammenhängende Anwendung. Typische Formate sind kleine Vorhersagemodelle, Klassifikations- oder Clustering-Projekte, einfache Dashboards oder Web-Oberflächen mit Gradio. Entscheidend ist weniger die Größe als die Nachvollziehbarkeit.
Woran sich ein brauchbares Projekt erkennt
Ein Projekt im Kurskontext sollte vier Punkte sichtbar machen:
- ein klar beschriebenes Problem
- eine nachvollziehbare Datenbasis
- eine begründete Modellwahl
- eine saubere Evaluation statt bloßer Ergebnisbehauptungen
In vielen Einsteigerprojekten wird zu früh auf das Modell fokussiert. Häufig liegen die eigentlichen Schwächen jedoch in der Datenaufbereitung, im ungeeigneten Split oder in einer Metrik, die nicht zur Aufgabe passt.
Typische Projektformen
Sinnvolle Projektzuschnitte für ML_Intro sind zum Beispiel:
- Vorhersagemodelle für Regression oder Klassifikation
- Segmentierungs- oder Clustering-Projekte
- einfache Explainability-Fälle mit SHAP oder LIME
- kleine Web-Demos mit Gradio
Einordnung zu den übrigen Bereichen
Die Konzeptseiten liefern das methodische Fundament. Die Deployment-Seiten werden relevant, sobald ein Modell außerhalb des Notebooks genutzt werden soll. Ressourcen- und Regulatorikseiten helfen dort, wo Werkzeuge, Datenschutz oder Einordnung in reale Kontexte nötig werden.
Version: 1.0
Stand: März 2026
Kurs: Machine Learning. Verstehen. Anwenden. Gestalten.