OnlineBerufsbegleitend
Von 0 auf 100: Programmieren & Machine Learning für Einsteiger
infofeld GmbH infofeld GmbH Wiesenstraße 1, 91757 Treuchtlingen
Beschreibung
Modul 01: Einstieg in die Programmierung mit Python
- Was ist Programmieren? Grundbegriffe und Tools
- Python: Syntax, Variablen, Kontrollstrukturen
- IDEs, Jupyter Notebooks, Colab
- Übung: Erste kleine Python-Projekte
Modul 02: Datenstrukturen und Funktionen - Listen, Dictionaries, Sets, Tupel - Schleifen und Bedingungen kombinieren - Eigene Funktionen schreiben und verstehen - Übung: Textverarbeitung, Datenfilterung
Modul 03: Objektorientierung und Module - Klassen, Objekte, Methoden - Wiederverwendbarer Code mit Modulen und Packages - Einführung in pandas, matplotlib, numpy - Projekt: Mini-Projekt „Datenanalyse light“
Modul 04: Grundlagen Data Science & Visualisierung - Daten importieren, bereinigen, analysieren - Grundlegende Diagramme und Statistiken - Datenjournalismus & Reporting mit Python - Projekt: Interaktive Auswertung + Plotting
Modul 05: Einführung in Machine Learning - Was ist Machine Learning? Supervised vs. Unsupervised - scikit-learn Basics: Modell-Workflow verstehen - Daten vorbereiten, Modelle trainieren - Übung: Lineare Regression, Entscheidungsbäume
Modul 06: Vertiefung Machine Learning & Modellvergleich - Klassifikation, Regression, Clustering - Modellgüte bewerten: Accuracy, Precision, F1, ROC - Hyperparameter-Tuning, Cross-Validation - Projekt: Vergleich mehrerer ML-Modelle
Modul 07: Praxisprojekt I – Datengetriebenes Produkt entwickeln - Use Case auswählen (z. B. Kundenvorhersage, Bewertungssystem) - Datenquellen integrieren, Pipeline bauen - Ergebnis visualisieren und dokumentieren - Abschlusspräsentation (intern)
Modul 08: Grundlagen Deep Learning - Neuronale Netze verstehen (theoretisch & praktisch) - Keras/TensorFlow: Erste Modelle aufbauen - CNN, RNN – wofür und wie? - Übung: Bildklassifikation oder Textanalyse
Modul 09: Praxisprojekt II – Machine Learning im Realbetrieb - Projektidee aus dem eigenen Umfeld umsetzen - Deployment-Konzepte, Streamlit, Gradio - Abschlusspräsentationen + Feedback - Zertifikat: Abschlusspräsentation & Transferaufgabe
Modul 02: Datenstrukturen und Funktionen - Listen, Dictionaries, Sets, Tupel - Schleifen und Bedingungen kombinieren - Eigene Funktionen schreiben und verstehen - Übung: Textverarbeitung, Datenfilterung
Modul 03: Objektorientierung und Module - Klassen, Objekte, Methoden - Wiederverwendbarer Code mit Modulen und Packages - Einführung in pandas, matplotlib, numpy - Projekt: Mini-Projekt „Datenanalyse light“
Modul 04: Grundlagen Data Science & Visualisierung - Daten importieren, bereinigen, analysieren - Grundlegende Diagramme und Statistiken - Datenjournalismus & Reporting mit Python - Projekt: Interaktive Auswertung + Plotting
Modul 05: Einführung in Machine Learning - Was ist Machine Learning? Supervised vs. Unsupervised - scikit-learn Basics: Modell-Workflow verstehen - Daten vorbereiten, Modelle trainieren - Übung: Lineare Regression, Entscheidungsbäume
Modul 06: Vertiefung Machine Learning & Modellvergleich - Klassifikation, Regression, Clustering - Modellgüte bewerten: Accuracy, Precision, F1, ROC - Hyperparameter-Tuning, Cross-Validation - Projekt: Vergleich mehrerer ML-Modelle
Modul 07: Praxisprojekt I – Datengetriebenes Produkt entwickeln - Use Case auswählen (z. B. Kundenvorhersage, Bewertungssystem) - Datenquellen integrieren, Pipeline bauen - Ergebnis visualisieren und dokumentieren - Abschlusspräsentation (intern)
Modul 08: Grundlagen Deep Learning - Neuronale Netze verstehen (theoretisch & praktisch) - Keras/TensorFlow: Erste Modelle aufbauen - CNN, RNN – wofür und wie? - Übung: Bildklassifikation oder Textanalyse
Modul 09: Praxisprojekt II – Machine Learning im Realbetrieb - Projektidee aus dem eigenen Umfeld umsetzen - Deployment-Konzepte, Streamlit, Gradio - Abschlusspräsentationen + Feedback - Zertifikat: Abschlusspräsentation & Transferaufgabe