Inhalte
TAG 1 – Grundlagen und erste operative Modelle
Modul 1: Von klassischen Techniken zu ML
- Grenzen traditioneller Expertensysteme
- Die drei Paradigmen des Machine Learning: Supervised, Unsupervised, Reinforcement Learning
- Praktische Anwendung: Markov-Kette zur Textgenerierung
- Vom Determinismus zu probabilistischen Vorhersagen
Modul 2: Lineare Regression
- Vorhersage numerischer Werte: von y=ax+b zur multidimensionalen Welt
- Standard-ML-Workflow: Problemdefinition → Bereitstellung
- Praxisprojekt: House Price Predictor mit dem California Housing Dataset
- Bewertungsmetriken: R², RMSE und Geschäftsinterpretation
Modul 3: Klassifikation mit Random Forest
- Kategorische Entscheidungen und Klassifikationsprobleme
- Ensemble Learning: Die Weisheit der Menge, angewendet auf Algorithmen
- Praxisprojekt: Wine Quality Classifier mit dem UCI-Dataset
- Fortgeschrittene Metriken: Precision, Recall und Business-Trade-off
Modul 4: Kreuzvalidierung (Cross-Validation)
- Selbsttäuschung vermeiden: Overfitting und Generalisierung
- K-Fold Cross-Validation für robuste Schätzungen
- Systematischer Vergleich verschiedener Algorithmen
- Entscheidungen basierend auf statistischen Beweisen
TAG 2 – Fortgeschrittene Techniken und Produktion
Modul 5: Datenvorverarbeitung (Data Preprocessing)
- Umgang mit realen Daten: Missing Values, Outliers, unterschiedliche Skalen
- Imputationsstrategien und Feature Scaling
- Automatisierte Pipelines mit scikit-learn
- Verhinderung von Data Leakage
Modul 6: Unüberwachtes Lernen (Unsupervised Learning)
- Entdeckung verborgener Muster: Clustering und Segmentierung
- K-Means-Algorithmus und Optimierung
- Praxisprojekt: Kunden-Segmentierung mit RFM-Analyse
- Bewertung ohne Ground Truth: Silhouette Score und Elbow Method
Modul 7: Hyperparameter-Tuning
- Systematische Leistungsoptimierung
- Grid Search vs. Random Search vs. Bayesian Optimization
- Learning Curves für fortgeschrittene Diagnostik
- Ausgleich von Overfitting/Underfitting
Modul 8: Bereitstellung und Produktion (Deployment und Production)
- Vom Jupyter Notebook zum Produktionssystem
- Modellpersistenz und Versioning
- Praxisprojekt: REST API für Model Serving
- Monitoring, A/B-Testing und Model Drift Detection
