Konzepte des maschinellen Lernens Einführung
  • Einführung in die Grundlagen des maschinellen Lernens (ML) und seine Rolle in der Datenwissenschaft.
  • Überblick über die Arten des maschinellen Lernens: überwachtes, unüberwachtes und bestärkendes Lernen.
  • Schlüsselkonzepte wie Trainingsdaten, Testdaten, Modelle und Algorithmen.
Techniken des überwachten Lernens
  • Verständnis von Klassifizierungs- und Regressionsalgorithmen.
  • Einführung in Entscheidungsbäume, logistische Regression und k-nächste Nachbarn.
  • Praktische Anwendungen und Problemlösung in der realen Welt mithilfe von überwachtem Lernen.
Datenvorverarbeitung und Feature-Engineering
  • Techniken zur Behandlung fehlender Werte und Ausreißer.
  • Bedeutung der Auswahl und Extraktion von Merkmalen in ML-Modellen.
  • Datennormalisierung und -standardisierung für eine bessere Modellleistung.
Algorithmen für maschinelles Lernen und Modellbewertung
  • Einführung in gängige Algorithmen für maschinelles Lernen, die in der Datenwissenschaft verwendet werden.
  • Bewertungsmetriken: Genauigkeit, Präzision, Rückruf, F1-Score und ROC-Kurve.
  • Bewährte Verfahren zur Auswahl und Abstimmung von Modellen auf der Grundlage des vorliegenden Problems.
Reale Anwendung von maschinellem Lernen
  • Anwendung von Modellen des maschinellen Lernens auf reale Datensätze.
  • Praktische Projektarbeit mit Python-Bibliotheken wie scikit-learn.
  • Erstellung und Bereitstellung von Modellen des maschinellen Lernens für Geschäftslösungen.

Machine Learning erfordert eine gründliche Datenvorverarbeitung und Feature-Engineering, um die Leistung von ML-Modellen in der Datenwissenschaft zu optimieren.