Dieser Kurs vermittelt grundlegende Kenntnisse im Machine Learning, insbesondere in den Bereichen Modelltraining und der Optimierung von Hyperparametern.
SQL für strukturierte Datenverarbeitung in Machine Learning- Joins und Aggregationen nutzen, um Trainingsdaten effizient aufzubereiten
- Optimierte Abfragen schreiben, um die Performance von ML-Prozessen zu verbessern
- Datenbankstrukturen organisieren, um Machine Learning-Modelle reibungslos zu unterstützen
Automatisierte Datenpipelines und Workflow-Optimierung
- Daten harmonisieren und bereinigen, um qualitativ hochwertige Eingangsdaten bereitzustellen
- Effiziente Workflows erstellen, um Machine Learning-Prozesse automatisch zu steuern
- Automatisierungstechniken nutzen, um wiederkehrende Modelltrainings zu optimieren
Interaktive Visualisierung von Machine Learning-Ergebnissen mit Power BI
- Dynamische Dashboards designen, um Modellvergleiche und Lernverläufe darzustellen
- DAX-Funktionen nutzen, um präzise Berechnungen für datengetriebene Optimierungen durchzuführen
- Aussagekräftige Berichte entwickeln, um ML-Prozesse nachvollziehbar zu machen
Modelltraining und Hyperparameter-Tuning in Machine Learning
- Muster in Daten erkennen, um Modelle gezielt zu optimieren
- Hyperparameter-Tuning einsetzen, um die Genauigkeit von Vorhersagemodellen zu verbessern
- Klassifikations-, Regressions- und Clustering-Algorithmen effizient trainieren