Python & Machine Learning Masterclass – konzipieren, implementieren, von Grund auf verstehen

Modul 01: Python Crashkurs - Syntax, Datentypen, Schleifen, Bedingungen - Funktionen, Listen, Dictionaries - List Comprehension & Lambda-Funktionen - Übung: Erste kleine Tools in Python Modul 02: Python für Datenanalysen - Einführung in pandas, numpy, datetime - Indexing, Grouping, Aggregation - Fehlende Werte erkennen und behandeln - Übung: Statistische Auswertung von CSV-Daten Modul 03: Visualisierung mit matplotlib & seaborn - Plot-Typen und Designoptionen - Heatmaps, Pairplots, Boxplots - Visualisierung für Storytelling - Übung: Visuelle Exploration eines Datensatzes Modul 04: Datenimport & -export - Lesen und Schreiben: CSV, Excel, JSON, SQL - Datenbanken mit sqlite3 und SQLAlchemy - Web Scraping mit requests und BeautifulSoup - Übung: Webdaten abrufen und strukturieren Modul 05: Statistik & Wahrscheinlichkeiten - Deskriptive Statistik: Mittelwert, Median, Varianz - Wahrscheinlichkeitsverteilungen - Hypothesentests (t-Test, Chi²-Test) - Übung: Statistische Analyse realer Daten Modul 06: Einführung in Machine Learning - Überwachtes vs. unüberwachtes Lernen - Modellierungsprozess (Train-Test-Split, Evaluation) - Scikit-Learn-Struktur verstehen - Übung: Erstes Klassifikationsmodell bauen Modul 07: Feature Engineering & Datenvorbereitung - Feature Scaling (StandardScaler, MinMaxScaler) - One-Hot-Encoding, Label-Encoding - Umgang mit Ausreißern & Kategorisierung - Übung: Vorbereitung eines Rohdatensatzes Modul 08: Klassifikation mit scikit-learn - k-Nearest Neighbors, Entscheidungsbaum, Naive Bayes - Hyperparameter-Tuning mit GridSearchCV - Cross-Validation & Pipelines - Übung: Modellvergleich anhand eines Anwendungsfalls Modul 09: Regressionsverfahren in der Praxis - Lineare Regression, Ridge, Lasso - Polynomial Regression - Modellgüte beurteilen (R², RMSE, MAE) - Übung: Vorhersage von Hauspreisen Modul 10: Clustering & Segmentierung - K-Means, DBSCAN, Hierarchisches Clustering - Silhouettenwert, Elbow-Methode - Visualisierung mit PCA - Übung: Kundensegmentierung für Marketing Modul 11: Entscheidungsbäume & Random Forests - Baumstrukturen, Overfitting erkennen - Random Forest: Ensembles verstehen - Feature-Importances interpretieren - Übung: Entscheidungsbaum mit Visualisierung Modul 12: Neuronale Netze mit keras & tensorflow - Einführung in Keras-API - Aufbau eines MLP (Multi-Layer-Perceptron) - Aktivierungsfunktionen, Optimizer - Übung: Klassifikation von handschriftlichen Ziffern (MNIST) Modul 13: Zeitreihenanalyse - Zeitstempel-Daten analysieren - Trends, Saisonalität, Moving Averages - Prophet & ARIMA-Modelle - Übung: Prognose von Verkaufszahlen Modul 14: Natural Language Processing (NLP) - Textdaten vorbereiten (Tokenisierung, Stemming) - TF-IDF, Bag-of-Words - Textklassifikation (z. B. Spamfilter) - Übung: Sentiment-Analyse von Kundenfeedback Modul 15: Abschlussprojekt & Best Practices - Von Rohdaten bis Deployment (End-to-End-Projekt) - Versionskontrolle mit Git, Modellexport mit joblib - Fehlervermeidung, Fairness & Ethik in ML - Präsentation der Projektideen im Plenum

Hinweis zum Ablauf

Trainer: Diplom-Informatiker (Univ.) mit Schwerpunkt KI, langjähriger Branchen- und Projekterfahrung

Zielgruppe

Diese Schulung richtet sich an alle, die den Einstieg in Python und maschinelles Lernen auf fundierter und praxisnaher Basis vollziehen möchten. Sie ist ideal für Entwickler:innen, Datenanalyst:innen, IT-Spezialist:innen, Ingenieur:innen sowie technisch versierte Quereinsteiger:innen, die sich in Richtung Data Science oder KI weiterentwickeln wollen.

Hinweise zur Prüfung und Zertifikat/Abschluss

Teilnahmezertifikat und digitales Badge

Teilnahmevorraussetzungen

Grundkenntnisse in einer Programmiersprache (z. B. VBA, JavaScript, C, C++, C#, Cobol) werden vorausgesetzt. Kenntnisse in Python oder Machine Learning sind nicht erforderlich, aber von Vorteil.

Preishinweis

Durchführungskosten abhängig von der Anzahl der Teilnehmer