Kurs · 7 Kapitel
Machine Learning
Erstelle klassische ML-Modelle, die in der Produktion standhalten. Mit scikit-learn lernst du Datenteilung, EDA, Feature-Engineering und Algorithmenauswahl – verteilt auf 7 praxisorientierte Kapitel.
Das wirst du können
- Probleme als Klassifikation oder Regression einordnen
- Daten ohne Datenleck (Data Leakage) aufteilen
- Explorative Datenanalyse durchführen
- Features in sauberen Pipelines aufbereiten
- Den richtigen scikit-learn-Algorithmus wählen
- Modelle mit Kreuzvalidierung bewerten
Was drin ist
- 1Datenaufteilung — Train / Validation / Test richtig gemacht
Erfahre, warum eine Drei-Wege-Aufteilung unverzichtbar ist, wie du Verhältnisse wählst, Strukturen bewahrst, zeitliche Ordnung respektierst und das Leakage verhinderst, das Modelle in Notebooks großartig aussehen lässt, aber in der Produktion scheitern lässt.
- 2Best Practices für die Modellauswahl — Algorithmus zu Daten + Ziel passend wählen
Lerne den systematischen Prozess, um den richtigen ML-Algorithmus zu wählen: erst eine Baseline, dann an die Dateneigenschaften anpassen, mit Kreuzvalidierung absichern und wissen, wann es Zeit zum Ausliefern ist.
- 3Machine Learning: Starte hier
Die Orientierungskarte für den Machine-Learning-Pfad — warum diese sechs Kapitel zusammengehören, was du nach Abschluss kannst und wo du am besten anfängst.
- 4Algorithmus-Überblick — sklearn-Familien und wann du welche einsetzt
Ordne jeden ML-Problemtyp den konkreten Algorithmus-Familien in scikit-learn zu — lineare Modelle, Bäume, SVMs, Ensembles und mehr — damit du das richtige Werkzeug wählst, bevor du eine Zeile Code schreibst.
- 5Data Cleaning & Feature Engineering
Fehlende Werte, Ausreißer, Skalierung, Encoding und Pipeline-Aufbau – verwandle rohe EDA-Erkenntnisse in modellfertige Features.
- 6Explorative Datenanalyse — Verteilungen, Korrelationen, Anomalien
Meistere die systematische Untersuchung von Datensätzen vor der Modellierung — Verteilungen zeigen die Form, Korrelationen zeigen das Signal, und Anomalien zeigen, was repariert werden muss.
- 7ML-Problemtypen — Klassifikation, Regression, Clustering
Lerne zu erkennen, ob deine Geschäftsfrage einen Klassifikator, einen Regressor oder einen Clustering-Algorithmus erfordert — die Entscheidung, die alle nachfolgenden Wahlmöglichkeiten prägt.
Häufige Fragen
- Was lerne ich in diesem Machine-Learning-Kurs?
- Du lernst den klassischen ML-Workflow von Anfang bis Ende: Datenteilung, explorative Datenanalyse, Datenbereinigung, Feature-Engineering, Problemtyp-Bestimmung und die Auswahl des richtigen scikit-learn-Algorithmus. Die 7 Kapitel sind auf praxisnahe, produktionsorientierte Entscheidungen ausgerichtet.
- Für wen ist dieser Kurs geeignet?
- Der Kurs richtet sich an Ingenieure und Entwickler auf Fortgeschrittenen-Niveau, die zuverlässige Machine-Learning-Modelle mit scikit-learn erstellen möchten. Er eignet sich besonders für Software- oder Dateningenieure, die in den ML-Bereich wechseln, bereits programmieren können und einen systematischen Modellierungsprozess suchen.
- Brauche ich Vorkenntnisse oder Programmiererfahrung?
- Ja, dies ist ein Kurs auf Fortgeschrittenen-Niveau. Du solltest sicher in Python programmieren und mit Daten arbeiten können. Der Kurs setzt voraus, dass du Code ausführen kannst – Programmieren von Grund auf wird hier nicht vermittelt.
- Wie lang ist der Kurs und gibt es ein Zertifikat?
- Der Kurs umfasst 7 Kapitel mit insgesamt etwa 140 Minuten (rund 2,3 Stunden). Wenn du alle Kapitel in der AI Academy abschließt, erhältst du ein Zertifikat, das du teilen kannst.
- Ist dieser Kurs kostenlos?
- Nein, dieser Kurs ist kostenpflichtig und im Abonnement der AI Academy by Anthropos enthalten. Nach dem Abonnieren hast du vollen Zugriff auf alle 7 Kapitel.
Zertifikat erhalten
Schließe alle Kapitel ab, um dein Abschlusszertifikat zu erhalten.