Machine Learning Engineer

Kursüberblick

Der Kurs vermittelt fundierte Kenntnisse in Machine Learning - von mathematischen Grundlagen und Datenaufbereitung über klassische und Deep-Learning-Algorithmen bis hin zu Evaluierung und Modellinterpretation im Betrieb. Die Teilnehmenden entwickeln praxisnah vollständige End-to-End-ML-Pipelines inklusive Deployment, MLOps-Ansätzen und Abschlussprojekt. Einführung in Machine Learning: Ziele, Anwendungsgebiete und End-to-End-Workflow Überblick über Supervised, Unsupervised und Reinforcement Learning Mathematische Grundlagen für Machine Learning (lineare Algebra, Wahrscheinlichkeitsrechnung) Datenaufbereitung: Data Cleaning, Normalisierung und Feature Engineering Explorative Datenanalyse (EDA) und datengetriebene Visualisierung Einsatz von Python und Jupyter Notebooks für Machine-Learning-Projekte Regressions- und Klassifikationsverfahren (u. a. lineare und logistische Regression) Evaluierung von Modellen (z. B. Confusion Matrix, ROC/AUC, Fehleranalyse) Klassische ML-Algorithmen: KNN, Entscheidungsbäume, Random Forests, Gradient Boosting, SVM Overfitting, Regularisierung, Cross-Validation und Hyperparameter-Tuning Einführung in Deep Learning und neuronale Netze Aufbau und Training von Feedforward-, Convolutional- und Recurrent Neural Networks Praktische Anwendungen von CNNs (z. B. Bildklassifikation) und RNNs (Zeitreihen, Textdaten) Fortgeschrittene Methoden: Transfer Learning, Autoencoder, Ensemble Learning Unsupervised Learning: Clustering, PCA und Dimensionsreduktion Modellinterpretation, Feature Importance und Explainable AI Reinforcement Learning: Grundlagen, Q-Learning und Policy-Gradient-Ansätze Design und Automatisierung von ML-Workflows und Pipelines Einführung in MLOps, Deployment-Strategien und Modellbereitstellung (z. B. APIs) Entwicklung einer vollständigen End-to-End-Machine-Learning-Pipeline Praxisorientiertes Abschlussprojekt inkl. Modelltraining, Evaluierung, Visualisierung und Präsentation

Nächste Termine

• 2026-11-10T23:00:00.000Z · 2027-02-15T23:00:00.000Z · Mainz am Rhein · Combined Learning
• 2026-11-10T23:00:00.000Z · 2027-02-15T23:00:00.000Z · Speyer · Combined Learning
• 2026-11-10T23:00:00.000Z · 2027-02-15T23:00:00.000Z · Wuppertal · Combined Learning
• 2026-11-10T23:00:00.000Z · 2027-02-15T23:00:00.000Z · Mannheim · Combined Learning
• 2026-11-10T23:00:00.000Z · 2027-02-15T23:00:00.000Z · Walldorf, Baden · Combined Learning

Weitere Kurse in diesem Fachbereich

• Machine Learning: Klassifikationsmodelle

  StackFuel GmbH

• Data Science & Statistik

  velpTEC GmbH

• Data Analyst: Data Cleaning and Visualization

  StackFuel GmbH

• Machine Learning

  Nest Academy GmbH