Tauchen Sie ein in die faszinierende Welt des maschinellen Lernens und entdecken Sie, wie Sie durch praxisnahe Anwendungen und hands-on Erfahrungen Ihre ersten ML-Modelle entwickeln und implementieren können
Grundlagen des Machine Learning
  • Unterschied zwischen überwachtem und unüberwachtem Lernen
  • Arten von ML-Problemen und deren Lösungsansätze
  • Datentypen und deren Bedeutung für ML
  • Bias und Variance Trade-off
  • Grundlegende mathematische Konzepte
Datenvorverarbeitung und -analyse
  • Datenbereinigung und -transformation
  • Feature Engineering und -selection
  • Umgang mit fehlenden Werten
  • Dimensionsreduktion
  • Explorative Datenanalyse
Supervised Learning Algorithmen
  • Lineare und logistische Regression
  • Entscheidungsbäume und Random Forests
  • Support Vector Machines
  • Neural Networks Grundlagen
  • Ensemble Methoden
Modellierung und Training
  • Train-Test Split Strategien
  • Cross-Validation Techniken
  • Hyperparameter Optimierung
  • Regularisierungsmethoden
  • Transfer Learning Ansätze
Modellevaluation
  • Metriken für verschiedene ML-Probleme
  • Confusion Matrix und ROC-Kurven
  • Overfitting und Underfitting erkennen
  • Modellvalidierung in der Praxis
  • A/B Testing Strategien
Produktivierung von ML-Modellen
  • Model Deployment Best Practices
  • Monitoring und Maintenance
  • Versionierung von Modellen
  • Skalierung von ML-Systemen
  • Kontinuierliches Training
Ethik und Verantwortung
  • Fairness in ML-Systemen
  • Datenschutz und DSGVO
  • Ethische Richtlinien
  • Transparenz und Erklärbarkeit
  • Gesellschaftliche Auswirkungen