Auswahl geeigneter ML-Algorithmen richtet sich gezielt an alle, die fundiert und methodisch erlernen möchten, wie Machine Learning-Algorithmen für verschiedene Data Science-Probleme passend ausgewählt und angewendet werden. Anders als allgemeine Data Science-Kurse vertieft dieser Kurs den systematischen Entscheidungsprozess zwischen klassischen und modernen Machine Learning-Ansätzen wie Deep Learning, Clustering oder Predictive Analytics und stellt die Datenkompetenz und den bewussten Umgang mit Python, Pandas, NumPy und TensorFlow in den Fokus. Sie lernen, wie Sie anhand von Datenanalyse und Statistik komplexe Anforderungen sicher strukturieren und für konkrete Anwendungsfälle - z.B. im Bereich NLP, Big Data oder Artificial Intelligence - gezielt die besten ML-Algorithmen auswählen, kombinieren und effizient validieren.
Grundlagen und Kernkonzepte- Klare Einführung in Machine Learning, Data Science und Artificial Intelligence und deren Unterschiede
- Vertiefung fundamentaler Techniken, inkl. Feature Engineering, Datenvisualisierung und Data Modeling
- Bedeutung von Statistik und Datenkompetenz für die Algorithmenwahl
- Überblick zu wichtigen Python-Bibliotheken: Pandas, NumPy, Scikit-Learn, TensorFlow
- Differenzierte Analyse von Datenqualität und den Einfluss auf Machine Learning
- Typische Anwendungsbereiche moderner ML-Modelle im Business-Kontext
- Erste praktische Übungen zur Auswahl und Abgrenzung verschiedener ML-Ansätze
Technische Implementierung und Praxis
- Schrittweise Implementierung ausgewählter ML-Algorithmen mit Python, Scikit-Learn, TensorFlow und Pandas
- Handling großer Datenmengen und Data Pipelines für Big Data-Projekte
- Anwendung verschiedener Clustering- und Deep Learning-Methoden
- Testing und Debugging von Machine Learning-Apps
- Skalierung und Performance-Steigerung auf Cloud-Plattformen
- Erweiterte Techniken im Feature Engineering zur Optimierung der Modelle
- Automatisierung von Analyseaufgaben für NLP und Predictive Analytics
Analyse, Interpretation und Validierung
- Analyse und statistische Auswertung von Modell-Performance, Konfidenzintervallen und Fehleranalysen
- Visualisierung mit Python-Tools zur besseren Dateninterpretation
- Systematische Berichterstellung, Dokumentation und Reproduzierbarkeit in Data Science
- Erkennen und Handhaben von Biases und Limitationen
- Diskussion geschäftsrelevanter Einflussfaktoren auf ML-Projekte
- Zusatz: Vergleich verschiedener Validierungsmethoden auf reale Datensätze
Praxisprojekte, Fallstudien und Vertiefung
- Komplexe Fallstudien mit typischen Machine Learning-Herausforderungen
- Praktische Kombination: Deep Learning, Clustering, Data Pipelines
- Umgang mit heterogenen Datensätzen und Neural Networks
- Integration neuer Trends im Bereich Data Science und Artificial Intelligence