KKC_0041 | Machine Learning mit Mathematik: Grundkurs

In diesem Seminar bauen Sie ein solides Fundament auf und arbeiten an verständlichen Praxisbeispielen. Im Mittelpunkt stehen Datenanalyse, Machine Learning, Modellbewertung, Automatisierung und produktionsnahe Data-Science-Workflows. Sie lernen typische Einsatzszenarien kennen, bewerten Chancen und Grenzen und übertragen die Inhalte auf konkrete Aufgaben aus dem Arbeitsalltag.

Praxisnahe Übungen, Beispiele und Leitfragen helfen Ihnen, das Thema strukturiert, sicher und nachvollziehbar anzuwenden.

• Mathematische Grundideen hinter Machine Learning verständlich einordnen
• Datenanalyse, Modellbildung und Modellbewertung miteinander verbinden
• Typische Kennzahlen, Fehlermaße und Bewertungslogiken interpretieren
• Grenzen und Annahmen von ML-Verfahren realistischer einschätzen
• Praxisbeispiele aus Data Science und Automatisierung nachvollziehen
• Fachliche Entscheidungen zu Modellen fundierter begründen

Das Seminar richtet sich an Fachkräfte, Analyst/innen, Data-Interessierte, Projektmitarbeitende und technische Teams, die Machine Learning mathematisch besser verstehen möchten.

Grundlegende mathematische Schulkenntnisse und Interesse an Datenanalyse sind ausreichend. Programmiererfahrung ist hilfreich, aber nicht erforderlich.

Teil 1 – Mathematische Grundlagen für Machine Learning

• Mathe Essentials: Lineare Algebra, Statistik (Mittelwert, Varianz, Korrelation), Wahrscheinlichkeiten
• Funktionen & Visualisierung: Datenanalyse mit Pandas, Berechnungen mit Numpy, Diagramme mit Matplotlib & Seaborn

Teil 2 – Machine Learning Grundlagen

• Einführung in ML: Grundbegriffe und zentrale Konzepte
• Klassische Algorithmen: K-Nearest Neighbors, lineare & polynomiale Regression, Entscheidungsbäume
• Modelloptimierung: Fehlerfunktionen, Overfitting & Underfitting
• Praktische Umsetzung: Arbeiten mit scikit-learn, Pipelines erstellen, Modelle evaluieren