Machine Learning

Machine Learning

Einführung in Machine Learning und ML-Workflow (ca. 3 Tage)Grundlagen, Anwendungsbereiche und Arten des Machine Learning 
Einordnung moderner KI- und Machine-Learning-Verfahren 
Machine-Learning-Workflow mit scikit-learn 
Trainings-, Validierungs- und Testdaten 
Underfitting, Overfitting und Modellevaluation 
Cross Validation

Datenaufbereitung und Feature Engineering (ca. 2 Tage)
Datenqualität und DatenvorverarbeitungSkalierung, Normalisierung und Kodierung Feature Engineering und Feature Selection Umgang mit fehlenden Werten, Ausreißern und unausgeglichenen Datensätzen

Überwachtes Lernen – Regression und Klassifikation (ca. 5 Tage)
Regressions- und Klassifikationsverfahren 
Lineare und regularisierte Modelle 
Distanz-, wahrscheinlichkeits- und baumbasierte Verfahren 
Ensemble- und Boosting-Verfahren 
Modellvergleich und Hyperparameteroptimierung 
Evaluationsmetriken und probabilistische Vorhersagen
Feature Importance und Explainable AI 

Unüberwachtes Lernen (ca. 2 Tage)
Dimensionsreduktion und Merkmalsextraktion 
Clusterverfahren und Bewertung von Clustering-Ergebnissen 
Anomalieerkennung

Zeitreihenanalyse und Prognosen (ca. 1 Tag)
Grundlagen und Analyse von Zeitreihendaten 
Prognoseverfahren und Machine Learning für Zeitreihen

Neuronale Netze und moderne KI (ca. 2 Tage)
Grundlagen neuronaler Netze und Deep Learning 
Machine Learning für Textdaten und Natural Language Processing 
Foundation Models, Large Language Models und generative KI

Bereitstellung von ML-Modellen (ca. 1 Tag)
Speicherung und Bereitstellung trainierter Modelle 
Entwicklung einfacher ML-Anwendungen 
Schnittstellen und Plattformen für Machine-Learning-Modelle

Projektarbeit (ca. 4 Tage)
Zur Vertiefung der gelernten Inhalte
Präsentation der Projektergebnisse



Änderungen möglich, die Lehrgangsinhalte werden regelmäßig aktualisiert.