Komplettüberblick Python-Bibliotheken für Machine Learning und Data Science

Komplettüberblick Python-Bibliotheken für Machine Learning und Data Science mit KI.

MODUL 01: EINSTIEG IN DAS PYTHON-ÖKOSYSTEM

• Überblick: Python für Data Science – Stack und Architektur
• Wichtige Tools: Anaconda, JupyterLab, VS Code, pip, conda
• Einführung in notebook, script, virtualenv
• Praxis: Umgebung aufsetzen & erstes Beispielprojekt

MODUL 02: DATENANALYSE MIT PANDAS, NUMPY UND POLARS

• Daten laden, bereinigen und transformieren (pandas)
• High-Performance-Tabellen mit polars
• Mathematische Operationen und Arrays mit NumPy
• Praxis: Vergleich von pandas und polars an einem Datensatz

• MODUL 03: DATENVISUALISIERUNG MIT MATPLOTLIB, SEABORN, PLOTLY UND ALTAIR
• Grundlagen statischer vs. interaktiver Visualisierung
• Komplexe Diagramme mit Seaborn und Matplotlib
• Interaktive Dashboards mit Plotly, deklarative Plots mit Altair
• Praxis: Visual Analytics zu einem explorativen Datensatz

MODUL 04: FEATURE ENGINEERING & DATENVORBEREITUNG

• Feature-Auswahl mit sklearn.feature_selection
• Datenaufbereitung mit sklearn.preprocessing, category_encoders
• Pipeline-Building mit sklearn.pipeline
• Praxis: Vorbereitung eines Datensatzes für ML

MODUL 05: KLASSIFIKATION & REGRESSION MIT SCIKIT-LEARN

• Klassifikation mit RandomForestClassifier, SVC, LogisticRegression
• Regression mit LinearRegression, GradientBoostingRegressor
• Modellvergleich mit cross_val_score und GridSearchCV
• Praxis: Klassifikator für Kundensegmentierung

MODUL 06: MODELLINTERPRETATION & EXPLAINABLE AI

• Modellmetriken: confusion_matrix, roc_auc_score, precision_recall
• Interpretierbarkeit mit SHAP, LIME, eli5
• Visualisierung der Entscheidungslogik
• Praxis: Interpretation eines Black-Box-Modells

MODUL 07: CLUSTERING, DIMENSIONALITÄT & ANOMALIEERKENNUNG

• Clustering mit KMeans, DBSCAN aus Scikit-learn
• Dimensionsreduktion mit PCA, UMAP, t-SNE
• Anomalieerkennung mit IsolationForest, OneClassSVM
• Praxis: Analyse von Kundendaten

MODUL 08: ZEITREIHENANALYSE MIT STATSMODELS, PROPHET UND TSFRESH

• Klassische Zeitreihenmodelle (ARIMA, SARIMA, Exponential Smoothing)
• Forecasting mit Facebook Prophet
• Feature-Engineering für Zeitreihen mit tsfresh
• Praxis: Prognose von Energie- oder Verkaufsdaten

MODUL 09: EINSTIEG IN DEEP LEARNING MIT TENSORFLOW, KERAS & PYTORCH

• Überblick über neuronale Netze & Frameworks
• Modellierung in Keras (Sequential API)
• Erste Schritte in PyTorch – Tensors, Modelle, Training
• Praxis: Hands-on mit Bild- oder Textdaten