Grundlagen und Anwendungen des maschinellen Lernens
Von den zentralen Verfahren bis zu praxisnahen Einsatzszenarien in Unternehmen.
Der Lernbaustein Machine Learning / Deep Learning befähigt 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 aussagekräftiger Metriken zu vergleichen. Der Kurs führt in einem interaktiven Format vom klassischen Machine Learning über neuronale Netze bis zur Bildverarbeitung mit Deep Learning – vom ersten Grundbegriff bis zur begründeten Modellentscheidung. Alle Praxisteile werden direkt in Jupyter Notebooks an echten, industrienahen Datensätzen 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 Lösungen zu übersetzen und deren Qualität und Grenzen realistisch einzuschätzen. Den Abschluss bildet der konkrete Praxistransfer – die eigenständige Identifikation und Bewertung von ML-Potenzialen im eigenen Unternehmen.
Ablauf
Tag 1 – Klassisches Machine Learning
Block 1: Grundlagen Machine Learning
Block 2: Überblick ML-Typen
Block 3: Datenvorverarbeitung
Block 4: Modellanwendung und Metriken
Tag 2 – Deep Learning & Praxistransfer
Block 5: Einführung in neuronale Netze / Deep Learning
Block 6: Deep Learning für Bildverarbeitung
Block 7: Transfer in die Praxis: Fallbearbeitung
Block 8: Praxis & Abschluss
Die Themenschwerpunkte sind flexibel an Vorkenntnisse, Branche und Ziele der Teilnehmenden anpassbar.
Keywords
Machine Learning, Deep Learning, Künstliche 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, Qualitätskontrolle, Data Science Life Cycle, MLOps, LLM, n8n, KI Use-Case, Industrielle KI, KI in der Produktion