Crashkurs Machine Learning mit Python für Einsteiger

Kernkonzepte und praktische Anwendungen mit scikit-learn

Dieser kompakte Crashkurs in Machine Learning bietet eine praxisorientierte Einführung in die grundlegenden Konzepte und Algorithmen des maschinellen Lernens. Die Teilnehmenden lernen, wie sich überwachtes und unüberwachtes Lernen unterscheiden, was Overfitting bedeutet und wie man Trainings- und Testdaten richtig aufteilt. Anhand praktischer Beispiele mit Python und scikit-learn setzen sie Entscheidungsbäume, Ensemble-Methoden wie Random Forest und AdaBoost sowie Clustering-Algorithmen um. Ein besonderer Fokus liegt auf der Modellbewertung und Hyperparameter-Tuning, um die Leistung der Modelle zu optimieren. Durch zahlreiche Hands-on-Übungen wird das Gelernte direkt angewendet. Am Ende des Workshops haben die Teilnehmenden ein solides Verständnis für Machine Learning und können eigenständig erste Modelle entwickeln, auswerten und optimieren.

Ziele

Dieser intensive 1-Tages-Kurs vermittelt die Grundlagen des maschinellen Lernens anhand praxisnaher Beispiele. Sie lernen, was Machine Learning von klassischer KI und Generativer KI (GenAI) unterscheidet und wie Daten in Trainings- und Testsets aufgeteilt werden. Anschließend implementieren Sie Entscheidungsbäume, optimieren deren Hyperparameter und analysieren die Ergebnisse mit Metriken wie der Confusion Matrix und Accuracy. Aufbauend darauf vertiefen Sie Ihr Wissen mit Ensemble-Methoden (Random Forest, AdaBoost) und lernen, wie sich die bekannteste Clustering-Technik K-Means zur Segmentierung von Daten einsetzen lässt. Zahlreiche praktische Übungen sorgen dafür, dass Sie das Gelernte direkt anwenden können. Nach diesem Kurs sind Sie in der Lage, erste Machine-Learning-Modelle eigenständig zu implementieren, zu evaluieren und zu verbessern.

Zielgruppe

Das Seminar richtet sich an an Fach- und Führungskräfte aus allen Unternehmensbereichen, an Interessierte für Datenanalyse und Machine Learning mit erster Erfahrung in der Programmierung in Python, welche einen Einblick in Machine Learning mit Python erhalten und erste Algorithmen mit dem Paket scikit-learn umsetzen möchten.

Erste Erfahrung mit Python ist notwendig, um den Inhalten folgen zu können und bei den hands-on sessions mitzuarbeiten. Alternativ ist die gute Beherrschung einer anderen Programmiersprache möglich mit der Offenheit, die Grundkonzepte von Python in kurzer Zeit neu zu erlernen.

Hinweis: Die verwendeten Unterlagen sind auf Englisch, da die Dokumentation von Python im Internet vorwiegend Englisch ist. Englischkenntnisse beim Lesen von einfachen Texten sind daher notwendig. Die Schulungssprache ist Deutsch.

Inhalte

• Einführung in Machine Learning und Abgrenzung zu klassischer & generativer KI

• Aufteilung von Daten für Training & Test

• Umsetzung von Entscheidungsbäumen, Random Forest, AdaBoost & K-Means

• Modellbewertung mit Metriken wie Accuracy und Confusion Matrix

• Praxisnahe Übungen zur eigenständigen Entwicklung und Optimierung von ML-Modellen

• Austausch und Networking

Agenda

Überblick über Machine Learning

• Einführung in Machine Learning

• Unterschied Supervised – Unsupervised Learning

• GenAI, AI, Machine Learning

• Overfitting, Train-Test-Split

Entscheidungsbaum

• Einführung in den Algorithmus

• Aufteilung der Daten in Train und Test Daten

• Einen Entscheidungsbaum in Python umsetzen

• Hyperparameter anpassen

• Ergebnisse validieren und interpretieren (confusion matrix, accuracy)

Ensemble Methods

• Random Forest

• Ada Boost

• Hyperparameter anpassen

• Ergebnisse validieren

Clustering

• Grundlagen von K-means Clustering

• Güte eines Cluster-Ergebnisses bestimmen

• Vergleich von Cluster-Ergebnissen

Weitere Informationen zum Seminar

Kontaktieren Sie uns gerne bei Rückfragen zum Seminar: vertrieb@bitkom-akademie.de.