Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (PDF)

Kurs: Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (PDF)

In diesem Video-Transkript geht es um unterschiedliche Kategorien und Arten von Daten: designed data und found data sowie Umfragedaten und digitale Verhaltensdaten. Wir beleuchten hier Fehler und Verzerrungen, die bei der Arbeit mit ihnen auftreten können. Einige davon kennst du bereits aus den Kapiteln Verzerrungen und Repräsentativität im Themenblock "Datenbeschaffung und -aufbereitung" und Datenbeschreibung in "Prognosemodelle: Klassifikation und Regression". Hier lernen wir zwei Frameworks zur Kategorisierung von Fehlern kennen, die sich speziell auf Umfragedaten bzw. digitale Verhaltensdaten beziehen und sowohl für designed data als auch für found data relevant sind. Found data wird auch als organic data bezeichnet.

Kurs öffnen

Download (0.58 MB)

Nutzungsrechte: CC BY

Vervielfältigung, Bearbeitung und Verbreitung erlaubt. Namensnennung erforderlich.
Herkunftsnachweis: "Clustering: vom Sortieren bis zum Explorieren | 02 | Daten- und Fehlerarten (PDF)" von , lizenziert unter CC BY 4.0
Original-URL: https://moodle.ki-campus.org/course/view.php?id=111

Heinrich-Heine-Universität Düsseldorf

Dr. Katarina Boland

AI, Arten von Daten, Artificial Intelligence, Clustering, Clusteringverfahren, Coverage Error, Daten, Datenarten, Datenerhebung, Datenkategorien, Datentypen, Fehlerarten, Framework, Gruppierung, Informatik, KI, Kategorien von Daten, Kategorisierung, Label, Measurement Error, Messfehler, Nonresponse Fehler, Partitionierung, Platform Coverage Error, Representation Error, Repräsentationsfehler, Technologie, Total Error Framework, Umfragedaten, User Selection Fehler, Verzerrung, designed data, digitale Verhaltensdaten, eLearning, found data, künstliche Intelligenz, organic data, statistische Fehler, überwachtes Lernen

Lernressource	Kurs, Text
Lizenz	CC BY 4.0
Zusätzliche Lizenzinformationen	Das Material ist Bestandteil vom KI-Campus Kurs "KI für Alle 2: Verstehen, Bewerten, Reflektieren". Gefördert durch das Bundesministerium für Forschung, Technologie und Raumfahrt sowie durch das Ministerium für Kultur und Wissenschaft des Landes Nordrhein-Westfalen.
Sprache	Deutsch

verknüpfte Materialien

ähnliche Materialien

Kurs: Explainable, Hybrid, Robust AI | 03 | Taxonomie von Methoden zur Interpretierbarkeit (PDF)

Explainable, Hybrid, Robust AI | 03 | Taxonomie von Methoden zur Interpretierbarkeit (PDF)

Da wir bereits die wichtige Rolle der interpretierbaren KI in unseren vorherigen Diskussionen besprochen haben, werden wir heute in die...

Heinrich-Heine-Universität Düsseldorf

AI, Artificial Intelligence, Entscheidungsbaum, Entscheidungsfindung, Informatik, Interpretationsmethoden, KI, KI-Modell, Taxonomie, Technologie, eLearning, globale Interpretierbarkeit, intrinsische Interpretierbarkeit, künstliche Intelligenz, lokale Interpretierbarkeit, post-hoc Interpretierbarkeit

Video: Explainable, Hybrid, Robust AI | 06 | Diskussion zur Interpretierbarkeit von KI (MP4)

Explainable, Hybrid, Robust AI | 06 | Diskussion zur Interpretierbarkeit von KI (MP4)

Willkommen zu unserem heutigen Video, in dem wir anhand des praktischen Beispiels der Kreditvergabe die konkrete Anwendbarkeit von „Explainable AI“...

Heinrich-Heine-Universität Düsseldorf

AI, Artificial Intelligence, Ethik, Explainability by Design, Explainable AI, Gesetze, Informatik, Interpretierbarkeit, KI, KI-System, Technologie, Transparenz, Umgang mit KI, Umgang mit künstlicher Intelligenz, Verantwortung, eLearning, künstliche Intelligenz

Video: KI und Ich | 06 | KI-„Entscheidungen“ (MP4)

KI und Ich | 06 | KI-„Entscheidungen“ (MP4)

Herzlich willkommen zu diesem Video über Entscheidungen und die Frage, ob KI-Systeme entscheiden. Wie im Eingangsvideo erläutert, schauen wir uns in...

Heinrich-Heine-Universität Düsseldorf

AI, Algoritmus, Ambiguitätstoleranz, Artificial Intelligence, Entscheidung, Informatik, KI, KI-System, Medienkompetenz, Mehrdeutigkeit, Technologie, Umgang mit KI, Umgang mit künstlicher Intelligenz, eLearning, künstliche Intelligenz

Video: Explainable, Hybrid, Robust AI | 03 | Taxonomie von Methoden zur Interpretierbarkeit (MP4)

Explainable, Hybrid, Robust AI | 03 | Taxonomie von Methoden zur Interpretierbarkeit (MP4)

Da wir bereits die wichtige Rolle der interpretierbaren KI in unseren vorherigen Diskussionen besprochen haben, werden wir heute in die...

Heinrich-Heine-Universität Düsseldorf

AI, Artificial Intelligence, Entscheidungsbaum, Entscheidungsfindung, Informatik, Interpretationsmethoden, KI, KI-Modell, Taxonomie, Technologie, eLearning, globale Interpretierbarkeit, intrinsische Interpretierbarkeit, künstliche Intelligenz, lokale Interpretierbarkeit, post-hoc Interpretierbarkeit

Video: Prognosemodelle: Klassifikation und Regression | 01 | (Überwachtes) Maschinelles Lernen (MP4)

Prognosemodelle: Klassifikation und Regression | 01 | (Überwachtes) Maschinelles Lernen (MP4)

Du kennst nun unseren Anwendungsfall und weißt, dass es in diesem Themenblock um Prognosemodelle geht und diese auf Verfahren des überwachten...

Heinrich-Heine-Universität Düsseldorf

AI, Artificial Intelligence, Decision trees, Evaluation, Informatik, KI, Klassifikation, Lerntyp, ML, Neuronale Netze, Regression, Technologie, bestärkendes Lernen, eLearning, künstliche Intelligenz, lineare Regression, machine Learning, maschinelles Lernen, reinforcement learning, supervised learning, unsupervised learning, unüberwachtes Lernen, überwachtes Lernen, überwachtes maschinelles Lernen

Video: KI und Ich | 08 | Das Algorithmische Selbst (MP4)

KI und Ich | 08 | Das Algorithmische Selbst (MP4)

Herzlich willkommen zu unserem heutigen Video. In unserer digitalen Welt hinterlässt jeder Klick, jedes Like und jeder Share einen digitalen...

Heinrich-Heine-Universität Düsseldorf

AI, Ambiguitätstoleranz, Artificial Intelligence, Datafiziertes Selbst, Datafizierung, Datenselbst, Datenspur, Informatik, KI, Medienkompetenz, Mehrdeutigkeit, Selbstverständnis, Technologie, Umgang mit KI, Umgang mit künstlicher Intelligenz, algorithmisches Selbst, digitale Welt, digitaler Fußabdruck, eLearning, künstliche Intelligenz

Video: Bildklassifikation und Bildsegmentierung | 09 | U-Net Architektur (MP4)

Bildklassifikation und Bildsegmentierung | 09 | U-Net Architektur (MP4)

Bei der Bildsegmentierung wird für jedes Bild eine Maske, also ein Bild, erstellt, in dem nur Regionen markiert werden, die das interessierende...

Heinrich-Heine-Universität Düsseldorf

AI, Artificial Intelligence, Bildanalyse, Bilderkennung, Bildklassifikation, Bildsegmentierung, CNN, Convolutional Neural Network, Dropout-Regularisierung, Informatik, KI, KI-System, Kategorisierung, Komplexitätsreduktion, Lokalisierung, Technologie, U-Net, eLearning, künstliche Intelligenz, maschinelles Sehen, visuelle Wahrnehmung

Kurs: Prognosemodelle: Klassifikation und Regression | 01 | (Überwachtes) Maschinelles Lernen (PDF)

Prognosemodelle: Klassifikation und Regression | 01 | (Überwachtes) Maschinelles Lernen (PDF)

Du kennst nun unseren Anwendungsfall und weißt, dass es in diesem Themenblock um Prognosemodelle geht und diese auf Verfahren des überwachten...

Heinrich-Heine-Universität Düsseldorf

AI, Artificial Intelligence, Decision trees, Evaluation, Informatik, KI, Klassifikation, Lerntyp, ML, Neuronale Netze, Regression, Technologie, bestärkendes Lernen, eLearning, künstliche Intelligenz, lineare Regression, machine Learning, maschinelles Lernen, reinforcement learning, supervised learning, unsupervised learning, unüberwachtes Lernen, überwachtes Lernen, überwachtes maschinelles Lernen

Als Anwendung installieren

Installieren Sie HubbS als App für ein besseres Nutzungserlebnis. Mehr erfahren.

Abbrechen