Die Anforderungen an Machine-Learning-Kompetenzen haben sich in IT-nahen Rollen deutlich verändert. Modelle zu trainieren und zu bewerten ist dabei zur Kernarbeit vieler Data- und KI-Teams geworden. Der Inhalt konzentriert sich auf methodische Grundlagen und praxisnahes Modelltraining.

!Kursinhalt

!1. Lernparadigmen im Überblick
*Überwachtes und unüberwachtes Lernen
*Regressions- und Klassifikationsaufgaben
*Einordnung typischer Anwendungsfälle

!2. Datenvorbereitung für ML
*Merkmalsaufbereitung
*Skalierung und Kodierung
*Aufteilung in Trainings- und Testdaten

!3. Modelltraining und Bewertung
*Algorithmen auswählen und trainieren
*Kennzahlen wie Genauigkeit und F1
*Überanpassung erkennen und vermeiden

!4. Iteration und Verbesserung
*Hyperparameter-Abstimmung
*Kreuzvalidierung
*Vergleich mehrerer Modelle

!Berufliche Relevanz

*Einstieg in datenbasierte Modellentwicklung
*Grundlage für weiterführende KI-Themen
*Verbindung zwischen Analyse und Anwendungsentwicklung