Der Kurs führt systematisch in Machine Learning ein: von mathematischen Grundlagen und SQL über Supervised und Unsupervised Learning mit Scikit-learn bis hin zu neuronalen Netzen, Deep Learning und Natural Language Processing. Feature Engineering, Validierungsverfahren und Anomalieerkennung bilden den methodischen Unterbau; Ethik und Bias im Kontext des EU AI Acts runden den Kurs ab.

Inhalte:
Datenbanken & Mathematik

  • Relationale Datenbanken: Datenbankkonzepte, Tabellenstrukturen und Beziehungsmodelle verstehen
  • Fortgeschrittene SQL-Queries: Subqueries, Joins, Window Functions und komplexe Aggregationen
  • Mathematik für Data Science: lineare Algebra, Wahrscheinlichkeitsrechnung und Optimierungsgrundlagen
  • Gradientenmethode: mathematisches Prinzip hinter dem Training von ML-Modellen

Machine Learning Grundlagen & Algorithmen

  • Einführung in Machine Learning: Konzepte, Lernparadigmen und typische Einsatzszenarien
  • Machine Learning mit Scikit-learn: ML-Pipelines aufbauen, trainieren und evaluieren
  • Supervised Learning: Klassifikations- und Regressionsalgorithmen im Vergleich
  • Unsupervised Learning: Clustering-Verfahren und Dimensionsreduktion ohne Labels

Modelloptimierung & Validierung

  • Ausreißer- & Anomalieerkennung: Methoden zur Identifikation von Datenpunkten außerhalb der Norm
  • Validierungs- und Normalisierungsverfahren: Overfitting vermeiden und Modelle vergleichbar machen
  • Feature Engineering: relevante Merkmale aus Rohdaten ableiten und für ML-Modelle aufbereiten

Deep Learning & Anwendung

  • Neuronale Netze: Aufbau, Training und Aktivierungsfunktionen im Überblick
  • Deep Learning: mehrschichtige Architekturen für komplexe Aufgabenstellungen
  • Natural Language Processing: Textverarbeitung, Tokenisierung und sprachbasierte Modelle
  • Ethik und Bias in Data Science: Fairness, Transparenz und verantwortungsvoller Einsatz von ML-Modellen

Ihr erlerntes Wissen werden Sie in praktischen Projekten mit fachlicher Unterstützung anwenden.