Data Science mit Machine Learning

Einführung in das maschinelle Lernen

• Geschichte und Philosophie des maschinellen Lernens
• Überblick über die Arten des Lernens: überwachtes und Bestärkungslernen
• Anwendungsgebiete und Beispiele

Datenverarbeitung und -aufbereitung

• Datenbeschaffung und -bereinigung
• Feature Engineering und -auswahl
• Datenteilung: Training, Validierung und Test

Grundlegende Algorithmen und Modelle

• Lineare Regression
• Logistische Regression
• Entscheidungsbäume und Random Forests
• k-Nearest Neighbors (k-NN)
• Support Vector Machines (SVM)

Neuronale Netze und Deep Learning

• Grundlagen neuronaler Netze
• Convolutional Neural Networks (CNN)
• Recurrent Neural Networks (RNN)
• Transfer Learning und Fine-Tuning

Unüberwachtes Lernen und Clustering

• K-Means-Clustering
• Hierarchisches Clustering
• Principal Component Analysis (PCA)
• Autoencoder

Modellevaluation und -optimierung

• Kostenfunktionen und Gradientenabstieg
• Overfitting und Regularisierung
• Kreuzvalidierung
• Hyperparameter-Tuning

Praktische Implementierung und Tools

• Einführung in Frameworks wie TensorFlow, Keras und Scikit-learn
• Umsetzung praktischer Projekte und Fallstudien
• Best Practices für den ML-Workflow

Ethik und Verantwortung im maschinellen Lernen

• Bias und Fairness in ML-Modellen
• Interpretierbarkeit und Transparenz
• Datenschutz und Privatsphäre