Alle Inhalte der Weiterbildung Machine Learning für Data Scientists im Überblick:

Machine Learning Grundlagen für Data Scientists mit Python
  • Einführung in Machine Learning und die Rolle von Python als zentrale Programmiersprache für Data Scientists
  • Wichtige Programmierkonzepte für angehende Data Scientists: Datentypen, Funktionen, Schleifen und Datenstrukturen
  • Numerische Berechnungen und Datenverarbeitung mit NumPy im Kontext von Machine Learning
  • Automatisierung typischer Workflows, wie sie Data Scientists im Alltag für Datenanalyse und Modelltraining nutzen

Datenanalyse & Exploratory Data Analysis für Machine Learning
  • Strukturierte Analyse von Datensätzen mit Pandas DataFrames als Grundlage für Machine-Learning-Projekte von Data Scientists
  • Visualisierung von Datenmustern und Zusammenhängen mit Matplotlib und Seaborn
  • Erkennen von Trends, Korrelationen und Anomalien als Basis für belastbare Machine-Learning-Modelle
  • Datenbereinigung und Feature-Vorbereitung als zentraler Bestandteil der Arbeit von Data Scientists

Supervised Learning im Machine Learning Kontext
  • Einführung in Supervised Learning als zentralen Bereich moderner Machine-Learning-Anwendungen
  • Arbeiten mit Regressions- und Klassifikationsmodellen zur Vorhersage und Entscheidungsunterstützung
  • Einsatz von Decision Trees, Random Forests und Ensemble-Verfahren in Machine-Learning-Projekten von Data Scientists
  • Grundlagen neuronaler Netze sowie erste Einblicke in Deep Learning

Unsupervised Learning / Unüberwachtes Lernen für Data Scientists
  • Dimensionsreduktion mit Principal Component Analysis (PCA) zur Analyse komplexer Datensätze
  • Clustering-Verfahren wie k-Means und DBSCAN für explorative Machine-Learning-Analysen
  • Erkennung verborgener Muster in großen Datensätzen durch Unsupervised Learning
  • Grundlagen der Analyse strukturierter Daten sowie Einführung in Bilddatenanalyse

Evaluation & Optimierung von Machine-Learning-Modellen
  • Bewertung von Machine-Learning-Modellen mithilfe von Cross-Validation und Testdatensätzen
  • Optimierung von Hyperparametern mit Grid Search und strukturierten Machine-Learning-Pipelines
  • Auswahl geeigneter Metriken zur Bewertung von Modellleistung und Prognosequalität
  • Verbesserung der Stabilität und Generalisierungsfähigkeit von Machine-Learning-Modellen für Data-Science-Anwendungen

Advanced Machine Learning für Data Scientists
  • Feature Engineering zur Verbesserung der Performance von Machine-Learning-Modellen
  • Natural Language Processing (NLP) zur Analyse und Verarbeitung großer Textdatensätze
  • Fortgeschrittene Methoden der Datenaufbereitung, Skalierung und Transformation
  • Einsatz moderner Machine-Learning-Techniken in realistischen Projekten aus dem Arbeitsalltag von Data Scientists