Diese Weiterbildung vermittelt dir praxisnahes Wissen im Themenfeld Maschinelles Lernen mit Python. Du lernst, typische Aufgaben sicher einzuordnen, passende Methoden und Werkzeuge anzuwenden und Ergebnisse nachvollziehbar aufzubereiten. Im Mittelpunkt stehen praxisnahe Anwendungen aus den Bereichen Python und Data Science, die dich in deiner Rolle als Forschungsassistent:in oder in vergleichbaren beruflichen Aufgaben unterstützen.Python-Ökosystem für Machine Learning*Bibliotheken im Überblick: NumPy, Pandas, Scikit-learn und Matplotlib*Datenbereinigung, Feature-Engineering und Umgang mit fehlenden Werten*Explorative Datenanalyse (EDA) als Grundlage für die ModellauswahlSupervised-Learning-Algorithmen in der Praxis*Lineare und logistische Regression: Interpretation und Anwendungsfälle*Entscheidungsbäume, Random Forests und Gradient Boosting mit Scikit-learn*Hyperparameter-Tuning mit GridSearchCV und Cross-ValidationUnsupervised Learning und Dimensionsreduktion*Clustering-Verfahren: K-Means, DBSCAN und hierarchisches Clustering*Hauptkomponentenanalyse (PCA) zur Dimensionsreduktion in hochdimensionalen Datensätzen*Anomalieerkennung und Ausreißeridentifikation in ForschungsdatenModellvalidierung und wissenschaftliche Reproduzierbarkeit*Metriken zur Modellbewertung: Accuracy, F1-Score, ROC-AUC und RMSE*Overfitting vermeiden: Regularisierung, Kreuzvalidierung und Testset-Strategie*Experiment-Tracking und Dokumentation mit MLflow und Jupyter NotebooksDiese Weiterbildung unterstützt dich dabei, typische Aufgaben im Themenfeld Maschinelles Lernen mit Python sicherer und effizienter zu bewältigen. Du verbindest fachliches Wissen mit praxisnahen Methoden und Werkzeugen aus den Bereichen Python und Data Science. So stärkst du deine Handlungssicherheit für deine Rolle als Forschungsassistent:in und kannst die Inhalte direkt in deinem Berufsalltag anwenden.