Teilnehmer erwerben Kenntnisse in Machine Learning, insbesondere im Bereich des überwachten und unüberwachten Lernens, sowie in der Datenvisualisierung und Pipeline-Automatisierung.
Interaktive Visualisierung von Machine Learning-Ergebnissen mit Power BI- Dynamische Dashboards entwickeln, um Modellvorhersagen verständlich darzustellen
- DAX-Funktionen nutzen, um präzise Berechnungen für datengetriebene Analysen zu erstellen
- Aussagekräftige Berichte verwenden, um datenbasierte Entscheidungen mit ML-Ergebnissen zu optimieren
SQL für strukturierte Datenverarbeitung in Machine Learning
- Joins und Aggregationen einsetzen, um große Datenmengen für ML-Modelle vorzubereiten
- Optimierte Abfragen schreiben, um relationale Datenbanken für maschinelles Lernen effizient zu nutzen
- Datenbankmanagement optimieren, um datengetriebene Modelle reibungslos zu unterstützen
Datenanalyse und Modellaufbau für überwachtes und unüberwachtes Lernen
- Muster in Daten identifizieren, um Klassifikations- und Cluster-Modelle zu trainieren
- Feature Engineering anwenden, um Modelle zu optimieren und deren Vorhersagegenauigkeit zu erhöhen
- Methoden des überwachten Lernens wie Entscheidungsbäume und Regression praktisch anwenden
Automatisierte Datenpipelines und Workflow-Optimierung in Machine Learning
- Datenquellen bereinigen, verarbeiten und in skalierbare ML-Workflows integrieren
- Strukturierte Prozesse nutzen, um Modelltraining und Deployment zu automatisieren
- Wiederkehrende Analysen durch optimierte Machine Learning-Pipelines effizient gestalten