Dieser Talk von der ML Conference 2019 basiert auf einem realen datenwissenschaftlichen Projekt der Speakerin Natalie Beyer. Der verwendete Datensatz wird eine Zielspalte haben, die vorhergesagt werden soll. Mit der Verwendung mehrerer Pakete wie SHAP wird es möglich sein, die Vorhersagen zu interpretieren. SHAP-Werte geben uns die Möglichkeit zu sehen, welche Merkmale der Algorithmus für die Vorhersage berücksichtigt hat. Dieses sehr nützliche Paket von Scott Lundberg zeichnet auch aufschlussreiche Visualisierungen auf. Als datenwissenschaftliche Beraterin hat die Speakerin die Erfahrung gemacht, dass dieser Ansatz sehr nützlich ist, da einige ihrer Kunden auf der Suche nach einer Machine-Learning-Lösung waren, die interpretierbare Ergebnisse liefert.

Applying Machine Learning online at Scale

by Jon Bratseth (Verizon)

Interpretable Machine Learning – Application to Finance and Banks

by Debjyoti Paul (Amazon)

Market Segmentation in the Era of Big Data

mit Özge Sahin (SkyScry)

Deep Learning mit TensorFlow

Mit Jakob Karalus (Deloitte Consulting)