Maschinelles Lernen Grundkonzepte Einführung
- Verständnis der Grundlagen von maschinellem Lernen in der Datenwissenschaft
- Einblick in unterschiedliche Arten des maschinellen Lernens: Überwachung, keine Überwachung, Verstärkung
- Wichtige Konzepte wie Daten für Training, Testphasen, Algorithmen und Modelle
Methoden für überwachtes Lernen
- Erlernen von Klassifikations- und Regressionsmethoden
- Einführung in logistische Regression, Entscheidungsbäume, k-nächste Nachbarn
- Reale Problemstellungen mit praktischen Anwendungen im überwachten Lernen
Datenbearbeitung und Feature-Engineering-Techniken
- Umgang mit fehlenden Werten und Abweichungen
- Bedeutung von Merkmalswahl und -extraktion in ML Modellen
- Datenanpassung und -normierung für optimale Modellleistung
Algorithmen und Bewertung von maschinellem Lernen
- Bekannte ML-Algorithmen in der Datenwissenschaft vorgestellt
- Wichtige Bewertungsmetriken wie Genauigkeit, Rückruf, Präzision, ROC und F1-Score
- Methoden zur Auswahl und Anpassung von Modellen basierend auf dem Datenproblem
Praktische Anwendungen von maschinellem Lernen
- Implementierung von ML Modellen auf realen Datensätzen
- Durchführung von Projekten mit Python-Bibliotheken, speziell scikit-learn
- ML-Modelle erstellen und zur Lösung geschäftlicher Herausforderungen bereitstellen