SQL ermöglicht die effiziente Verarbeitung und Analyse großer Datenmengen.

Lernziele
  • Teilnehmende lernen, Joins, Aggregationen und optimierte Abfragen gezielt einzusetzen, um relationale Datenbanken für Machine Learning-Modelle und die Datenvorbereitung zu nutzen.
  • Der Umgang mit Bibliotheken wie pandas und NumPy zur Datenbereinigung, Transformation und Vorbereitung für das maschinelle Lernen wird behandelt.
  • Teilnehmende erstellen neuronale Netze, trainieren Modelle und setzen Optimierungsverfahren ein, um präzise Vorhersagen und Mustererkennung zu ermöglichen.
  • Strukturierte Workflows zur Datenharmonisierung und Integration werden vermittelt, die reibungslose Übergänge zwischen Datenbanken, Modelltraining und Deployment sicherstellen.
  • Der Kurs behandelt Klassifikations- und Regressionsmodelle, Hyperparameter-Tuning sowie bewährte Verfahren zur Verbesserung der Modellgenauigkeit.

Inhalte
  • Nutzung von SQL zur Datenvorbereitung für Machine Learning
  • Python als Grundlage für datengetriebene Anwendungen
  • Datenbereinigung und Transformation mit pandas und NumPy
  • Einsatz von TensorFlow für Machine Learning und Deep Learning
  • Erstellung und Training von neuronalen Netzen
  • Aufbau von Datenpipelines zur Automatisierung von Analyseprozessen
  • Anwendung von Klassifikations- und Regressionsmodellen
  • Hyperparameter-Tuning und Modelloptimierung