Beispielarbeiten · KI & Automation
Machine Learning: Tabellenmodell mit ehrlichem Vergleich und fertiger Lieferung
Ein kleines neuronales Netz auf Beispieldaten, gemessen gegen Zufall, logistische Regression und Gradient Boosting, mit Kreuzvalidierung. Dazu die Lieferung: Modell in drei Formaten und ein Vorhersage-Skript, das im frischen Prozess dieselben Ergebnisse liefert.
Musterarbeit (Demo), kein Kundenauftrag. Gebaut als Probeaufgabe mit erfundenen Beispieldaten; die Prüfzahlen unten stammen aus dem automatischen Prüflauf und sind nicht geschönt.
Was gebaut wurde
- Training mit sauberer Trennung von Trainings- und Testdaten, Kennzahlen gegen einfache Vergleichsverfahren
- Zwei Läufe mit denselben Kennzahlen, Kreuzvalidierung zeigt die Streuung
- Lieferung als state_dict, TorchScript und ONNX mit Vorhersage-Skript
- Gegenprobe: ein Datenleck und vertauschte Labels werden von den Prüfungen erkannt
kennzahlen.json herunterladen vorhersage.py herunterladen ml-modell-lieferung.zip herunterladen
Die Daten sind selbst erzeugt, dazu der frei verfügbare Ziffern-Datensatz von scikit-learn; Personendaten kommen nicht vor. Die Kennzahlen gelten für diese Daten. Auf Kundendaten nenne ich erst nach einer Prüfung mit eigener Trennung eine Genauigkeit. Nur CPU, kleine Modelle; große Sprach- oder Bildmodelle, TensorFlow, XGBoost und Zeitreihen sind nicht geprüft. Kein Betrieb und kein Hosting.
Wie geprüft wurde
Automatischer Prüflauf vom 01.11.2026, aus dem Protokoll (Testdaten erfunden, Zahlen gemessen):
- Tabelle MLP acc 0.836 F1 0.8367 (Zufall 0.5, LogReg 0.692, GradBoost 0.844), CV 0.8542+-0.0184, MAE 4.201 vs Mittelwert 22.021
- zwei Laeufe identische Kennzahlen
- Digits-CNN acc 0.9844 (haeufigste Klasse 0.1022, LogReg 0.9622)
- Lieferung: state_dict+TorchScript+ONNX
Grenzen
Was diese Probe nicht abdeckt, steht hier, damit niemand mehr erwartet:
- nur CPU (PyTorch CPU-Build, kein CUDA/GPU); trainiert werden kleine Modelle (hier MLP mit ~5000 Gewichten, CNN auf 8x8-Bildern)
- kleine Datensaetze (Tausende Zeilen, Bilder bis ca. 28x28); grosse Bilddatensaetze (ImageNet), Video, Audio-Modelle nicht geprueft
- kein Training oder Feintuning grosser Modelle (LLM, Diffusion, grosse Transformer), kein Training auf GPU-Cloud
- Kundendaten nur mit Freigabe des Kunden und im Auftrag genannt; die Probe nutzt selbst erzeugte Daten und sklearn-digits, keine Personendaten
- Kennzahlen gelten fuer die Probedaten; auf Kundendaten wird erst nach Pruefung mit eigener Train/Test-Trennung eine Genauigkeit genannt, nie vorab versprochen
- Lieferung als Modelldatei (state_dict, TorchScript, ONNX) + Vorhersage-Skript; kein Hosting/Serving im Produktivbetrieb, keine MLOps-Pipelines
- TensorFlow/Keras, XGBoost/LightGBM, Zeitreihen-Spezialmodelle, Reinforcement Learning nicht geprueft
Die Kennzahlen
{
"modus": "normal",
"n_gesamt": 3000,
"n_train": 2250,
"n_test": 750,
"n_merkmale": 12,
"klassifikation": {
"zufall_dummy": {
"acc": 0.5,
"f1": 0.0
},
"logreg": {
"acc": 0.692,
"f1": 0.6957
},
"gradient_boosting": {
"acc": 0.844,
"f1": 0.845
},
"torch_mlp": {
"acc": 0.836,
"f1": 0.8367
}
},
"kreuzvalidierung": {
"mlp_acc_mittel": 0.8542,
"mlp_acc_streuung": 0.0184,
"logreg_acc_mittel": 0.6827,
"falten": 5
},
"zufallskontrolle_acc": 0.4787,
"regression_mae": {
"mittelwert_dummy": 22.021,
"ridge": 3.626,
"torch_mlp": 4.201
},
"lieferung": {
"onnx_export_ok": true,
"onnx_fehler": "",
"n_referenz": 750,
"n_in": 12
}
}So etwas für deinen Betrieb?
Beschreib kurz, was du brauchst. Du bekommst einen Festpreis, bevor ich anfange; ohne dein Ja passiert nichts.