Kursbeschreibung
In diesem Grundkurs steigst du praxisnah in Python ein und legst direkt die Basis für Machine Learning. Du lernst die wichtigsten Python-Grundlagen, arbeitest mit Daten, visualisierst Ergebnisse und verstehst die zentralen mathematischen Konzepte hinter ML-Modellen. Anschließend setzt du erste Algorithmen wie K-Nearest Neighbors, Regressionen und Entscheidungsbäume mit scikit-learn um und erfährst, wie du Modelle bewertest, optimierst und typische Fehler vermeidest.
Die wichtigsten Themen im Überblick
- Mit Anaconda und Jupyter produktiv in Python starten
- Python Grundlagen sicher anwenden: Variablen, Schleifen, Funktionen
- Mathe-Basics für ML: Statistik, Algebra, Wahrscheinlichkeiten
- Daten mit NumPy, Pandas, Matplotlib und Seaborn analysieren
- Machine Learning Konzepte und typische Algorithmen einordnen
- KNN, Regression und Entscheidungsbäume praktisch umsetzen
- Modelle mit scikit-learn trainieren, prüfen und optimieren
- Overfitting erkennen und Machine-Learning-Modelle besser bewerten
Zielgruppe
- Technisch interessierte Berufstätige (z. B. Ingenieure, Analysten, Entwickler:innen),
- Studierende technischer und naturwissenschaftlicher Fächer,
- Quereinsteiger:innen in Data Science.
Voraussetzung für die Schulung
- Grundverständnis von Mathematik (Schulniveau)
- Keine oder nur geringe Python-Kenntnisse erforderlich
Kursinhalte
Teil 1 – Die nötigen Python Grundlagen
- Einführung: Installation & Setup (Anaconda, Jupyter), Vorteile von Python
- Basics: Variablen, Datentypen, Bedingungen, Schleifen, Funktionen & Module
- Fortgeschritten: Listen, Dictionaries, Sets, Fehlerbehandlung, List Comprehensions, erste Schritte in objektorientierter Programmierung
Teil 2 – Mathematische Grundlagen für Machine Learning
- Mathe Essentials: Lineare Algebra, Statistik (Mittelwert, Varianz, Korrelation), Wahrscheinlichkeiten
- Funktionen & Visualisierung: Matplotlib & Seaborn für Diagramme, Numpy für Berechnungen, Pandas für Datenanalyse
Teil 3 – Machine Learning Grundlagen
- Einführung in ML: Grundbegriffe und Konzepte
- Algorithmen: K-Nearest Neighbors, Lineare & polynomiale Regression, Entscheidungsbäume
- Modelloptimierung: Fehlerfunktionen, Overfitting & Underfitting
- Praktische Umsetzung: Arbeiten mit scikit-learn, Nutzung von Pipelines & Evaluationsmethoden
