Machine Learning verstehen und anwenden

Kursüberblick

Maschinelles Lernen ermöglicht es, aus vorhandenen Daten automatisiert Muster zu erkennen und darauf basierende Vorhersagen abzuleiten. Der Kurs vermittelt die grundlegenden Konzepte hinter überwachten und unüberwachten Verfahren und zeigt, wie Modelle trainiert, bewertet und in der Praxis eingesetzt werden. Ergänzend werden die Werkzeuge behandelt, die für die Vorbereitung und Auswertung von Daten benötigt werden. Kursinhalt 1. Grundprinzipien des maschinellen Lernens Unterscheidung zwischen überwachten und unüberwachten Lernverfahren Ablauf von Modelltraining, Validierung und Bewertung Typische Fehlerquellen wie Overfitting und Underfitting 2. Datenaufbereitung mit Python und pandas Einlesen, Bereinigen und Transformieren von Datensätzen Umgang mit fehlenden Werten und Ausreißern Vorbereitung von Merkmalen für Modellierungsschritte 3. Algorithmen für Klassifikation und Regression Entscheidungsbäume, lineare Modelle und k-Nearest-Neighbors im Vergleich Auswahl geeigneter Algorithmen je nach Fragestellung Interpretation von Modellparametern und Vorhersagegüte 4. Visualisierung von Modellergebnissen Darstellung von Verteilungen und Zusammenhängen mit matplotlib und seaborn Aufbau von Dashboards zur Kommunikation von Analyseergebnissen Einordnung von Kennzahlen wie Genauigkeit, Präzision und Recall Berufliche Relevanz Modelle des maschinellen Lernens unterstützen datenbasierte Entscheidungen in nahezu allen Branchen Kenntnisse in Python und pandas erleichtern die praktische Umsetzung von Analyseprojekten Die Fähigkeit, Modellgüte zu bewerten, verhindert Fehlentscheidungen auf Basis unzuverlässiger Vorhersagen Grundlagenwissen im maschinellen Lernen bildet die Basis für vertiefende Spezialisierungen in der Data Science

Nächste Termine

• 2026-10-11T22:00:00.000Z · 2027-03-13T23:00:00.000Z · Berlin · Hybrid Learning
• 2026-10-11T22:00:00.000Z · 2027-03-13T23:00:00.000Z · München · Hybrid Learning
• 2026-10-11T22:00:00.000Z · 2027-03-13T23:00:00.000Z · Berlin · Hybrid Learning
• 2026-10-11T22:00:00.000Z · 2027-03-13T23:00:00.000Z · Frankfurt am Main · Hybrid Learning
• 2026-10-11T22:00:00.000Z · 2027-03-13T23:00:00.000Z · Stuttgart · Hybrid Learning