Tauchen Sie ein in die faszinierende Welt des Machine Learnings und lernen Sie, wie Sie durch datenbasierte Modelle Geschäftsprozesse optimieren und automatisieren können. Von der Theorie zur praktischen Anwendung.
Grundlagen des Machine Learnings
  • Unterschied zwischen supervised und unsupervised Learning
  • Überblick über wichtige ML-Algorithmen
  • Datenvorbereitung und Preprocessing
  • Feature Engineering und Selection
  • Cross-Validation und Modellevaluation
Supervised Learning Methoden
  • Lineare und logistische Regression
  • Entscheidungsbäume und Random Forests
  • Support Vector Machines
  • Neural Networks Grundlagen
  • Ensemble Methoden
Unsupervised Learning
  • Clustering-Algorithmen (K-Means, DBSCAN)
  • Dimensionsreduktion (PCA, t-SNE)
  • Anomalieerkennung
  • Association Rules
  • Self-Organizing Maps
Deep Learning Grundlagen
  • Aufbau neuronaler Netze
  • Aktivierungsfunktionen
  • Backpropagation
  • Optimierungsalgorithmen
  • Transfer Learning
Modelloptimierung
  • Hyperparameter Tuning
  • Regularisierung
  • Behandlung von Overfitting
  • Model Selection
  • Validation Strategien
Produktivierung von ML-Modellen
  • Model Deployment
  • API-Entwicklung
  • Monitoring und Maintenance
  • Versionierung
  • Skalierung von ML-Systemen
Praxisprojekt
  • Problemdefinition
  • Datenaufbereitung
  • Modellentwicklung
  • Evaluation und Optimierung
  • Präsentation der Ergebnisse