Wer als Data Scientist:in Machine-Learning-Modelle entwickelt, steht häufig vor der Herausforderung, aus einer Vielzahl verfügbarer Algorithmen und Methoden die geeigneten für den jeweiligen Anwendungsfall auszuwählen. Machine Learning umfasst sowohl die mathematischen Grundlagen als auch die praktische Umsetzung in Programmierumgebungen. Dieser Kurs behandelt die wesentlichen Methoden und Anwendungsfelder des maschinellen Lernens.

Kursinhalt
1. Grundlegende ML-Paradigmen und Modellklassen
  • Unterschiede zwischen überwachtem, unüberwachtem und bestärkendem Lernen
  • Klassifikations- und Regressionsmodelle im Überblick
  • Clustering-Methoden und ihre Anwendungsfälle

2. Feature Engineering und Modellvorbereitung
  • Auswahl und Transformation von Features
  • Umgang mit kategorialen Variablen und fehlenden Werten
  • Train-Test-Split und Validierungsstrategien

3. Modelltraining und Hyperparameter-Optimierung
  • Trainingsablauf und Lernkurvenanalyse
  • Methoden zur Hyperparameter-Suche
  • Umgang mit Overfitting und Underfitting

4. Modellbewertung und Deployment-Vorbereitung
  • Metriken zur Modellbewertung je nach Aufgabenstellung
  • Interpretierbarkeit und Erklärbarkeit von Modellen
  • Grundlagen der Überführung von Modellen in produktive Systeme

Berufliche Relevanz
  • Data Scientist:innen entwickeln Machine-Learning-Lösungen methodisch fundiert
  • Strukturierte Modellentwicklung verbessert die Reproduzierbarkeit und Qualität
  • Deployment-Vorbereitung erleichtert die Zusammenarbeit mit Engineering-Teams