Machine Learning
Ein Kurs, der die wichtigsten Modellfamilien des Machine Learning nebeneinanderstellt und zeigt, wie man für eine Fragestellung das passende Verfahren auswählt. Behandelt werden Entscheidungsbäume und Random Forest mit Ensembling, Support Vector Machines mit verschiedenen Kernels, künstliche neuronale Netze mit Aktivierungsfunktionen und Regularisierung sowie Clustering mit K-Means und DBSCAN. Zur Datenvorbereitung gehören Label- und One-Hot-Encoding, polynomielle Features, Hauptkomponentenanalyse und der Ausgleich unausgewogener Klassen durch Over- und Undersampling. Modelle werden mit dem ROC-AUC-Score bewertet und über Feature Importance, Partial-Dependence- und ICE-Plots erklärbar gemacht; mit pySpark.ml wird Machine Learning auf große Datenmengen übertragen. Der Lernpfad reicht von Datenkompetenz, SQL und Power BI über pandas und scikit-learn bis zu objektorientierter Programmierung und Teamarbeit mit Kanban. Praxisprojekte sind unter anderem Preisprognosen für Gebrauchtwagen, die Vorhersage von Taxifahrtdauern und eine Churn-Analyse. Zielrollen sind Machine Learning Engineer, Data Scientist oder KI-Entwickler.
Letzte Aktualisierung:
Daten aus dem öffentlichen Datenbestand der Bundesagentur für Arbeit.