Machine Learning ist ein Teilbereich der Künstlichen Intelligenz und ermöglicht es, aus Daten Muster und Zusammenhänge zu erkennen sowie Vorhersagen und datenbasierte Entscheidungen zu treffen. Der Kurs vermittelt praxisnah den vollständigen Machine-Learning-Workflow – von der Datenaufbereitung und Modellentwicklung über Regression, Klassifikation und unüberwachtes Lernen bis hin zur Bewertung und Interpretation von Modellen. Ergänzend lernst du moderne Ansätze wie neuronale Netze, generative KI und Natural Language Processing kennen und erfährst, wie Machine-Learning-Modelle für praktische Anwendungen bereitgestellt werden können.

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.