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

Python & Machine Learning Masterclass – konzipieren, implementieren, von Grund auf mit KI.

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