Ein End-to-End-ML-Anwendungsfall entwerfen

End-to-End Machine Learning

Joshua Stapleton

Machine Learning Engineer

Die Fallstudie

  • Vorhersage von Herzerkrankungen
  • Ziel: Entscheidungen von Kardiolog:innen unterstützen

CardioCare

Ärztin/Arzt mit Patient:in

1 Bildquelle: https://www.flaticon.com/free-icons/doctor
End-to-End Machine Learning

Rolle des Modells

  • Modelle können informieren, aber nicht entscheiden
  • Besonders wichtig im Gesundheitswesen

 

Ein Flussdiagramm zur binären Klassifikation: Herzkrankheit/keine Herzkrankheit anhand von Patient:innendaten

End-to-End Machine Learning

Machine-Learning-Lebenszyklus

  Flussdiagramm des ML-Lebenszyklus: Problem verstehen, Daten sammeln/vorbereiten, Modell entwickeln/tunen, evaluieren, deployen und überwachen; danach iterieren

End-to-End Machine Learning

Anforderungen der Endnutzer:innen verstehen

Genauigkeit

  Eine Dartscheibe als Metapher für Genauigkeit

Zuverlässigkeit

  Eine Kette als Metapher für Zuverlässigkeit

Sicherheit

  Ein Schloss als Metapher für Sicherheit

Interpretierbarkeit

  Eine Lupe als Metapher für Interpretierbarkeit

End-to-End Machine Learning

Datensammlung

  • Relevante Daten sammeln
    • Firmeneigene Daten
    • Öffentliche Daten

 

  • Daten und Kontext verstehen
    • Repräsentation und Messung
    • Mögliche Verzerrungen

Grafik zum Datensammeln: relevante elektronische Gesundheitsakten werden aus proprietären oder öffentlichen Datensätzen extrahiert

End-to-End Machine Learning

Lass uns üben!

End-to-End Machine Learning

Preparing Video For Download...