Klassisches ML im Überblick

Das lernen Sie in dieser Lektion

• erkennen, wann ein kleines trainiertes Modell besser passt als ein Sprachmodell: billig, gleichbleibend, erklärbar
• mit ML.NET eine Pipeline bauen, trainieren und an Daten prüfen, die das Training nie gesehen hat
• Trefferquote, Wahrheitsmatrix und die Bedeutung der Merkmale lesen
• ein Modell als Datei mit Version speichern und in einer Webanwendung ohne Thread-Probleme nutzen
• Trefferquote und Kosten eines klassischen Modells mit der KI-Bewertung auf denselben Fällen vergleichen
• Azure Machine Learning und MLOps einordnen