Diese Artikel behandeln die Aspekte, die darüber entscheiden, ob ein Modell in Produktion nützlich bleibt: zeitliche Validierung, Feature-Design, Anomalieerkennung, Wahrscheinlichkeitsqualität, Erklärbarkeit, Deployment und das Engineering rund um das Modell.
Warum Payrithm Rechnungen nicht einfach nach der Wahrscheinlichkeit verspäteter Zahlung sortiert und wie ich kalibriertes ML-Risiko mit Wert, Dringlichkeit und Inkassoaktivität kombiniere.
Warum die Vorhersage verspäteter Zahlungen mehr als einen chronologischen Train/Test-Split benötigt und wie ich rekonstruiere, welches Wissen zum Zeitpunkt jeder Payrithm-Vorhersage tatsächlich verfügbar gewesen wäre.
Wie ich die Machine-Learning-Pipeline von Payrithm entwickelt habe, um verspätete Rechnungszahlungen ohne Data Leakage vorherzusagen, die Qualität von Wahrscheinlichkeiten zu bewerten und Modellausgaben in umsetzbare Inkassoprioritäten zu überführen.
Die oft unterschätzte Arbeit, Rohdaten in informative Features zu verwandeln – Encoding, Skalierung, fehlende Werte, Interaktionen und Feature-Auswahl.
Wie denoising-basierte probabilistische Diffusionsmodelle Bilder erzeugen, indem sie einen schrittweisen Verrauschungsprozess umkehren – von Grund auf erklärt.
Wie sich mit LSTM-Autoencodern in PyTorch eine robuste Anomalieerkennungs-Pipeline für multivariate Sensordaten aufbauen lässt – inklusive Schwellenwertwahl und Deployment.
Eine grundlegende Erklärung von CNNs – Faltung, Pooling, rezeptive Felder und die Architekturentscheidungen, die Deep Learning für Bilder erfolgreich machten.
Ein praktischer Leitfaden zu den verbreitetsten Optimierungsalgorithmen im Deep Learning – was sie berechnen, warum sie sich unterscheiden und wann welcher sinnvoll ist.
Ich verwende Google Analytics, um zu verstehen, wie Besucher dieses Portfolio nutzen, und um es zu verbessern. Analyse-Cookies und Seitenaufrufe bleiben deaktiviert, bis Sie zustimmen. Sie können Ihre Auswahl später in der Fußzeile ändern.