Kursbeschreibung
In diesem Grundkurs steigst Du verständlich und praxisnah in Machine Learning ein, ohne mathematische Vorkenntnisse unnötig zu verkomplizieren. Du wiederholst die wichtigsten Grundlagen aus linearer Algebra, Statistik und Wahrscheinlichkeitsrechnung und lernst, wie Du Daten mit Pandas, NumPy, Matplotlib und Seaborn analysierst und visualisierst.
Die wichtigsten Themen im Überblick
- Mathe-Grundlagen für Machine Learning sicher anwenden
- Lineare Algebra, Statistik und Wahrscheinlichkeiten verstehen
- Daten mit Pandas, Numpy, Matplotlib und Seaborn analysieren
- KNN, Regression und Entscheidungsbäume praktisch nutzen
- ML-Modelle mit scikit-learn aufbauen und evaluieren
- Overfitting, Underfitting und Fehlerfunktionen einordnen
- Pipelines erstellen und Machine-Learning-Workflows strukturieren
- In 3 Tagen vom Mathe-Wissen zur ersten ML-Anwendung
Zielgruppe
- Technisch interessierte Berufstätige (Ingenieur:innen, Analyst:innen, Entwickler:innen)
- Studierende technischer und naturwissenschaftlicher Fächer
- Quereinsteiger:innen im Bereich Data Science
Voraussetzung für die Schulung
- Grundverständnis von Mathematik (Schulniveau)
- Python-Kenntnisse entsprechend unserem Kurs „Einführung in Python“
Kursinhalte
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
