Grundlagen des maschinellen Lernens:


  • Überwachtes und unüberwachtes Lernen zur Datenmodellierung anwenden


  • Wichtige Algorithmen wie Entscheidungsbäume, lineare Regression und Clustering verstehen


  • Modelltraining, Evaluierung und Hyperparameter-Optimierung durchführen


Datenanalyse als Grundlage für Machine Learning:


  • Rohdaten bereinigen, transformieren und für Modellbildung vorbereiten


  • Explorative Datenanalyse zur Identifikation relevanter Merkmale nutzen


  • Statistische Methoden zur Hypothesentestung und Feature Selection anwenden


Praktische Anwendungen des maschinellen Lernens:


  • Vorhersagemodelle für reale Anwendungsfälle entwickeln und testen


  • Ergebnisse visualisieren und datengetriebene Entscheidungen verständlich darstellen


  • Machine Learning-Methoden für verschiedene Branchen und Problemstellungen einsetzen