Machine Learning – Grundlagen und Workflow
Machine Learning verstehen und systematisch in Datenprojekten einsetzen
01 Intro
Machine Learning ermöglicht es, aus vorhandenen Daten Modelle abzuleiten,
die Zusammenhänge erkennen und Vorhersagen oder Zuordnungen für neue Daten
treffen können. Entscheidend für belastbare Ergebnisse ist jedoch nicht
allein die Auswahl eines Algorithmus, sondern der gesamte Prozess von der
Fragestellung über Daten und Modellierung bis zur Bewertung.
Der Kurs vermittelt die grundlegenden Konzepte des Machine Learning und
einen systematischen ML-Workflow. Die Teilnehmer lernen wichtige Verfahren
des überwachten und unüberwachten Lernens kennen, entwickeln erste Modelle
mit Python und scikit-learn und beurteilen deren Ergebnisse kritisch.
Kurs-ID
ML-001
Dauer
3 Tage
Format
Präsenz · Live Online · Inhouse
Vorkenntnisse
Grundkenntnisse in Python und im Umgang mit tabellarischen Daten
02 Trainingsprogramm
Inhalte
Machine Learning einordnen
- Machine Learning, Data Science und klassische Datenanalyse
- Lernen aus Daten
- Modelle und Algorithmen
- Training und Vorhersage
- typische Einsatzgebiete
- Grenzen von Machine Learning
Arten des maschinellen Lernens
- überwachtes Lernen
- unüberwachtes Lernen
- Regression
- Klassifikation
- Clustering
- Auswahl nach Problemstellung
Vom fachlichen Problem zur ML-Aufgabe
- Zielvariable
- Features
- Beobachtungen
- geeignete Problemformulierung
- Erfolgskriterien
- fachliche und technische Metriken
Daten für Machine Learning
- Trainingsdaten
- Datenqualität
- fehlende Werte
- numerische und kategoriale Merkmale
- Ausreißer
- Bias in Datensätzen
Der Machine-Learning-Workflow
- Daten verstehen
- Daten vorbereiten
- Modell auswählen
- trainieren
- validieren
- reproduzierbarer Ablauf
Regression
- Regressionsprobleme
- lineare Regression
- Features und Zielgröße
- Modellanpassung
- Vorhersagen
- typische Bewertungsmetriken
Klassifikation
- Klassen und Labels
- binäre und mehrklassige Probleme
- Wahrscheinlichkeiten
- Entscheidungsgrenzen
- erste Klassifikationsmodelle
- Precision und Recall
Bäume und Ensemble-Verfahren
- Entscheidungsbäume
- interpretierbare Regeln
- Overfitting
- Random Forest
- Ensemble-Idee
- typische Einsatzbereiche
Unüberwachtes Lernen
- Lernen ohne Zielvariable
- Clustering
- Ähnlichkeit und Distanz
- k-Means
- Cluster interpretieren
- Dimensionsreduktion im Überblick
Modellbewertung und Generalisierung
- Training und Test
- Train-Test-Split
- Cross Validation
- Overfitting und Underfitting
- Generalisierung
- sinnvolle Baselines
Machine Learning mit scikit-learn
- Estimator-Konzept
- fit, predict und transform
- Preprocessing
- Modelle
- Metriken
- reproduzierbare Experimente
Praktisches ML-Projekt
- Fragestellung formulieren
- Daten vorbereiten
- Baseline entwickeln
- Modell auswählen und trainieren
- Modell bewerten
- Ergebnisse interpretieren und dokumentieren
03 Durchführung
Rahmen und Organisation
Dauer
3 Tage
Durchführung
Präsenz oder Live Online, vorzugsweise als Inhouse-Schulung
Schwerpunkt
Inhouse-Schulungen für Unternehmen und Teams
Sprache
Deutsch, englische Fachbegriffe und Dokumentation
Unterlagen
Kursunterlagen, Beispiele und Übungsaufgaben
Technik
Eigener Rechner mit Python, Jupyter und scikit-learn
Inhouse-Schulungen
Eigene Datenbestände und Fragestellungen können als Grundlage für das
Projekt verwendet werden.
04 Zielgruppe
Für wen ist der Kurs gedacht?
Data Analysts, Entwickler, technische Fachkräfte und angehende Data
Scientists, die einen fundierten Einstieg in Machine Learning suchen.
Voraussetzungen
Grundkenntnisse in Python und im Umgang mit tabellarischen Daten.
Mathematische Grundlagen werden soweit erforderlich erläutert.
05 Lernziele
Was Sie nach dem Kurs können
Nach dem Kurs können die Teilnehmer Machine-Learning-Probleme erkennen und
formulieren, grundlegende Verfahren unterscheiden, einen vollständigen
ML-Workflow durchführen und erste Modelle mit scikit-learn entwickeln und
bewerten.
06 FAQ
Häufige Fragen
Ist der Kurs mathematisch?
Die notwendigen mathematischen Konzepte werden erklärt, der Schwerpunkt liegt jedoch auf Verständnis und praktischer Anwendung.
Was unterscheidet den Kurs von Data Science und Machine Learning mit Python?
Dieser Kurs konzentriert sich auf die Grundlagen und den systematischen Machine-Learning-Workflow. Der Data-Science-Kurs verbindet Datenanalyse und Machine Learning zu einem umfassenderen End-to-End-Kurs.
Wird Deep Learning behandelt?
Neuronale Netze werden eingeordnet. Eine systematische Einführung bietet der Grundlagenkurs zu neuronalen Netzen.