Machine learning

Rund elf Wochen Hybridunterricht zur Entwicklung, Anwendung und Bewertung lernender Modelle, gegliedert entlang des typischen Arbeitsablaufs. Zunächst werden Lernverfahren und Modelltypen eingeordnet, überwachtes und unüberwachtes Lernen unterschieden, Zielvariablen und Merkmale definiert und Anwendungsfälle bewertet. Die Datenvorbereitung umfasst Bereinigung, den Umgang mit Fehlwerten und Ausreißern, Merkmalsauswahl und -transformation sowie die Aufteilung in Trainings-, Test- und Validierungsdaten. In der Modellierung werden Klassifikations- und Regressionsmodelle angewendet, Parameter eingestellt, Feature Engineering betrieben und Modelle mit geeigneten Tools trainiert. Die Evaluation prüft Ergebnisse anhand von Metriken, analysiert Fehlklassifikationen, erkennt Überanpassung und dokumentiert die Resultate nachvollziehbar.