{"id":982,"date":"2026-07-23T11:10:45","date_gmt":"2026-07-23T09:10:45","guid":{"rendered":"https:\/\/www.widg.de\/?page_id=982"},"modified":"2026-07-23T11:10:45","modified_gmt":"2026-07-23T09:10:45","slug":"machine-learning","status":"publish","type":"page","link":"https:\/\/www.widg.de\/en\/machine-learning\/","title":{"rendered":"Machine Learning"},"content":{"rendered":"

Grundlagen und Anwendungen des maschinellen Lernens<\/strong><\/h2>\n\n\n\n

Von den zentralen Verfahren bis zu praxisnahen Einsatzszenarien in Unternehmen.<\/strong><\/p>\n\n\n\n

Der Lernbaustein Machine Learning \/ Deep Learning bef\u00e4higt die Teilnehmer, die unterschiedlichen Disziplinen des maschinellen Lernens sicher zu unterscheiden, geeignete Use-Cases im eigenen Arbeitsumfeld abzuleiten und erste eigene ML- und DL-Modelle zu nutzen, zu trainieren und anhand aussagekr\u00e4ftiger Metriken zu vergleichen. Der Kurs f\u00fchrt in einem interaktiven Format vom klassischen Machine Learning \u00fcber neuronale Netze bis zur Bildverarbeitung mit Deep Learning \u2013 vom ersten Grundbegriff bis zur begr\u00fcndeten Modellentscheidung. Alle Praxisteile werden direkt in Jupyter Notebooks an echten, industrienahen Datens\u00e4tzen bearbeitet, sodass die Teilnehmer den kompletten ML-Workflow nicht nur verstehen, sondern selbst durchlaufen. Statt reiner Tool-Bedienung steht der Weg vom Anwender zum Gestalter im Mittelpunkt: fachliche Anforderungen in datengetriebene L\u00f6sungen zu \u00fcbersetzen und deren Qualit\u00e4t und Grenzen realistisch einzusch\u00e4tzen. Den Abschluss bildet der konkrete Praxistransfer \u2013 die eigenst\u00e4ndige Identifikation und Bewertung von ML-Potenzialen im eigenen Unternehmen.
<\/p>\n\n\n\n

\n\n\n\n

Ablauf<\/h2>\n\n\n\n

Tag 1 \u2013 Klassisches Machine Learning<\/strong><\/p>\n\n\n\n

Block 1: Grundlagen Machine Learning<\/p>\n\n\n\n

Block 2: \u00dcberblick ML-Typen<\/p>\n\n\n\n

Block 3: Datenvorverarbeitung<\/p>\n\n\n\n

Block 4: Modellanwendung und Metriken<\/p>\n\n\n\n

Tag 2 \u2013 Deep Learning & Praxistransfer<\/strong><\/p>\n\n\n\n

Block 5: Einf\u00fchrung in neuronale Netze \/ Deep Learning<\/p>\n\n\n\n

Block 6: Deep Learning f\u00fcr Bildverarbeitung<\/p>\n\n\n\n

Block 7: Transfer in die Praxis: Fallbearbeitung<\/p>\n\n\n\n

Block 8: Praxis & Abschluss<\/p>\n\n\n\n

\n\n\n\n

Die Themenschwerpunkte sind flexibel an Vorkenntnisse, Branche und Ziele der Teilnehmenden anpassbar.<\/em><\/p>\n\n\n\n

\n\n\n\n

Keywords<\/strong><\/p>\n\n\n\n

Machine Learning, Deep Learning, K\u00fcnstliche Intelligenz, KI-Schulung, ML-Grundlagen, Supervised Learning, Unsupervised Learning, Klassifikation, Regression, Clustering, Anomalieerkennung, Feature Engineering, Datenvorverarbeitung, Data Cleaning, Encoding, One-Hot Encoding, Feature Scaling, Train-Test-Split, Data Leakage, scikit-learn, Python, Jupyter Notebook, Logistic Regression, Decision Tree, Random Forest, k-Nearest Neighbors, Modellbewertung, Accuracy, Precision, Recall, F1-Score, Confusion Matrix, ROC-AUC, Neuronale Netze, CNN, Convolutional Neural Network, RNN, LSTM, Transformer, Backpropagation, Overfitting, Transfer Learning, MobileNetV2, Data Augmentation, Bildklassifikation, Computer Vision, Grad-CAM, Explainable AI, Predictive Maintenance, Qualit\u00e4tskontrolle, Data Science Life Cycle, MLOps, LLM, n8n, KI Use-Case, Industrielle KI, KI in der Produktion<\/p>\n\n\n