Grundlagen des maschinellen Lernens
  • Wesentliche Konzepte von maschinellem Lernen (ML) und KI
  • Unterschiede und Anwendungen von überwachtem, unüberwachtem und bestärkendem Lernen
  • ML in verschiedenen Branchen und Datenwissenschaft
Datenvorbereitung und Feature-Engineering
  • Datenreinigung und -vorverarbeitung für ML-Modelle
  • Techniken der Merkmalsextraktion und -wahl
  • Strategien zum Umgang mit fehlenden Daten und Ungleichgewicht
Überwachtes Lernen: Algorithmen
  • Techniken zur Klassifizierung: Entscheidungsbäume, Random Forest, und SVM
  • Ansätze zur Regression: Lineare, logistische sowie Polynomregression
  • Leistungsbewertung durch Konfusionsmatrix, AUC-ROC und F1-Score
Clustering und unüberwachtes Lernen
  • K-Means und hierarchisches Clustering
  • Dimensionsreduktion durch PCA und t-SNE
  • Anomalie- und Mustererkennung
Neuronale Netze und Deep Learning
  • Kernpunkte zu künstlichen neuronalen Netzen (ANNs)
  • CNNs zur Bildverarbeitung
  • RNNs für die Analyse von Zeitreihen
Optimierung und Einsatz des maschinellen Lernens
  • Hyperparameter-Tuning und Modellleistung
  • Bereitstellung von ML in Cloud-Umgebungen
  • Ethische KI, Fairness und Datenwissenschaft zur Vorurteilsminderung