Diese Weiterbildung vermittelt dir praxisnahes Wissen zur Arbeit mit scikit-learn im Kontext von Data Analytics und Data Science. Du lernst, Daten vorzubereiten, Modelle des überwachten Lernens einzusetzen, Pipelines aufzubauen, Evaluationsmetriken zu nutzen und Ergebnisse mit Python, SQL, Power BI und Projektworkflows zu verbinden.

Kursinhalt
  • Daten mit pandas vorbereiten, prüfen, visualisieren und für Modellierungsschritte strukturieren
  • scikit-learn für lineare Regression, Klassifizierung, k-nearest Neighbors und Datenpipelines einsetzen
  • Overfitting, Underfitting, Regularisierung, Trainings-, Validierungs- und Testdaten sowie Kreuzvalidierung verstehen
  • Evaluationsmetriken wie MSE, R2, Accuracy, Recall, Precision und F1-Score anwenden
  • Feature Engineering, Clustering, Modellinterpretation und Machine Learning mit pySpark einordnen

Berufliche Relevanz
  • Du kannst typische Machine-Learning-Workflows mit Python fachlich und praktisch nachvollziehen.
  • Du verbindest Modellierung, Datenqualität, Visualisierung und Projektstruktur zu einem anwendungsnahen Data-Science-Prozess.