Konzepte des maschinellen Lernens Einführung
  • Einführung in die Kernkonzepte des maschinellen Lernens (ML) und der KI in der Datenwissenschaft.
  • Überblick über die Rolle von Python in der Datenwissenschaft und seine Anwendung in der ML.
  • Schlüsselbegriffe: überwachtes Lernen, unüberwachtes Lernen und bestärkendes Lernen.
Python für Datenwissenschaft und maschinelles Lernen
  • Grundlegende Python-Bibliotheken für die Datenwissenschaft: Pandas, NumPy und Matplotlib.
  • Wie man Daten mit Python für maschinelle Lernmodelle vorverarbeitet.
  • Schreiben von effizientem Python-Code für die Datenmanipulation und -visualisierung.
Erstellung von Modellen für maschinelles Lernen mit Python
  • Schritt-für-Schritt-Anleitung zum Erstellen und Trainieren von Modellen für maschinelles Lernen in Python.
  • Implementierung von Klassifizierungs-, Regressions- und Clustering-Algorithmen mit scikit-learn.
  • Modellbewertung und Optimierungstechniken mit Python-Tools.
Integration von KI-Techniken in Python-Workflows
  • Anwendung von KI-Konzepten, einschließlich neuronaler Netze und Deep Learning, mit Python.
  • Praktische Erfahrung mit TensorFlow, Keras und anderen KI-Bibliotheken.
  • Erstellung und Bereitstellung KI-gesteuerter Anwendungen für reale Probleme.
Praktische Anwendungen und Projekte
  • Reale Anwendungsfälle von Python-gesteuertem maschinellem Lernen in verschiedenen Branchen.
  • Abschlussprojekt: Anwendung von ML-Modellen auf einen Datensatz und Präsentation der Ergebnisse.
  • Bewährte Verfahren für die Kombination von Python mit KI für effektive datenwissenschaftliche Lösungen.

Die Teilnehmer lernen, wie man Python-Bibliotheken effektiv für maschinelles Lernen einsetzt und KI-gesteuerte Anwendungen entwickelt.