KKC_0044 | Python Machine Learning Grundkurs: Professioneller Einstieg

In diesem Seminar bauen Sie ein solides Fundament auf und arbeiten an verständlichen Praxisbeispielen. Im Mittelpunkt stehen moderne KI-Entwicklung mit Sprachmodellen, Automatisierung, Datenpipelines, Tools und praxisnahen Implementierungen. 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.

• Machine-Learning-Prozesse mit Python strukturiert verstehen
• Daten vorbereiten, Features ableiten und Modelle trainieren
• Klassifikation, Regression und typische Verfahren einordnen
• Modellqualität mit passenden Metriken bewerten
• Overfitting, Leakage und Datenqualität berücksichtigen
• Workflows nachvollziehbar dokumentieren und weiterentwickeln

Das Seminar richtet sich an Entwickler/innen, Analyst/innen, Data-Science-Einsteiger/innen und Fachkräfte, die Machine Learning mit Python professionell erlernen möchten.

Vorausgesetzt werden grundlegende Python-Kenntnisse oder vergleichbare Programmiererfahrung. Grundkenntnisse in Datenanalyse sind hilfreich.

Einführung ins Machine Learning

• Was ist eigentlich Machine Learning?
• Unterarten des Machine Learning
• Was kann Machine Learning leisten?
• Was kann Machine Learning nicht leisten?
• Fallbeispiele zum Machine Learning
• Funktionsweise von Machine Learning Algorithmen (anhand von drei Verfahren erklärt)

Python für Machine Learning

• Wichtige Datentypen für ML in Python (Listen, Tupel, Dictionaries)
• Daten einlesen und aufbereiten mit Pandas und NumPy

scikit-learn

• Was bietet scikit-learn für Algorithmen?
• Überblick über diese Bibliothek
• Fallstudie: Wird der Kunde das Produkt kaufen oder nicht?
• Alle Schritte um dieses Problem mit scikit-learn zu lösen
• Abspeichern, Wiederherstellen und Anwenden trainierter Modelle

TensorFlow / Keras

• Was bietet TensorFlow / Keras?
• Überblick über Machine Learning Bibliotheken
• Fallstudie: Für welchen Preis kann ein Haus verkauft werden?
• Alle Schritte um dieses Problem mit TensorFlow / Keras zu lösen
• Abspeichern, Wiederherstellen und Anwenden trainierter Modelle