Explainable Artificial Intelligence (XAI) setzt auf Black-Box-Modelle aus der Welt der künstlichen Intelligenz auf und macht sie interpretierbar. Damit verbindet XAI die Vorteile von KI mit denen der klassischen Statistik. Wie ermöglicht XAI komplexe Entscheidungsprozesse von Black-Box-Modellen zu verstehen und ihnen zu vertrauen? Dieser Frage gehen wir in dieser Folge nach.
Links:
#46: Strategien zur Performance-Optimierung in R
#45: Data Science bei 1&1 Versatel – Dr. Stephan Hausberg im Gespräch über den Aufbau von Data Teams
#44: Lineare Regression in der Praxis – Oldie oder Goldie?
#43: Damit es im Live-Betrieb nicht kracht: Vermeidung von Overfitting & Data Leakage
#42: Frontends in Data Science: Welches Visualisierungstool ist das Richtige?
#41: Strategien zur Performance-Optimierung in Python
#40: Sonderfolge: Frauen in Data Science und Tech mit Catrin & Isa von Mind the Tech
#39: Death by Microservices
#38: Im Rennen gegen die Zeit: Echtzeitprognosen mit komplexen statistischen Modellen
#37: Deep Learning zur Erkennung von Hochwasser auf Satellitenbildern mit Philip Popien von Floodbase
#36: Der Data Mesh Hype und was davon bleibt
#35: Erfolgsfaktoren für Machine Learning Projekte mit Philipp Jackmuth von dida
#34: Was ist Attribution im Online Marketing und lohnt sie sich noch?
#33: Data Science bei Zalando – Dr. Claudia Baldermann im Gespräch über Product Development & Organisation
#32: Brauche ich Data-Science-Berater*innen und wenn ja wie viele?
#31: Ist R eigentlich tot?
#30: Agile Softwareentwicklung im Data-Science-Kontext
#29: Die Qual der Wahl: Data Science Plattform vs. Customized Stack
#28: Unsere Erkenntnisse aus einem Fraud-Detection-Projekt mit Echtzeitdaten
#27: Kann ein Large Language Model (LLM) bei der Klassifikation tabellarischer Daten XGBoost schlagen?
Create your
podcast in
minutes
It is Free
Insight Story: Tech Trends Unpacked
Zero-Shot
Fast Forward by Tomorrow Unlocked: Tech past, tech future
Black Wolf Feed (Chapo Premium Feed Bootleg)
Bannon`s War Room