Python und Machine Learning

Kompetenzziele

• Überwachtes und unüberwachtes Lernen voneinander abgrenzen
• Trainings- und Testdaten für die Modellbildung aufbereiten
• Modelle mit scikit-learn trainieren und über Kreuzvalidierung prüfen
• Gütemaße wie Genauigkeit und Fehlerrate zur Modellbewertung heranziehen
• Python-Programmierung und Data Analytics zu präzisen Vorhersagen verbinden
• Ergebnisse trainierter Modelle mit Python-Visuals oder Power BI darstellen

Themen und Zusammenhänge

Der Machine Learning Kurs ordnet zunächst die Grundbegriffe: Merkmale und Zielgrößen, Training und Test, Unter- und Überanpassung. Mit Python und scikit-learn wird daraus ein wiederholbarer Ablauf aus Datenaufbereitung, Modellentwicklung und Modellvalidierung. Verfahren der Modellbewertung zeigen, wie verlässlich ein Modell auf unbekannten Daten arbeitet.

Programmierung und Data Analytics greifen ineinander, wenn trainierte Modelle Vorhersagen liefern und deren Ergebnisse ausgewertet werden. Im Projekt wird ein eigenes Machine-Learning-Modell entwickelt, mit realen Daten getestet und in Power BI oder mit Python-Visuals präsentiert. Die Grundlagen des Machine Learning bleiben dabei auf einfache, nachvollziehbare Modelle ausgerichtet, wie sie die Python-Programmierung in der Datenanalyse direkt nutzbar macht.

Berufliche Perspektiven

Einsatzfelder finden sich in Fachabteilungen, die Python in der Datenanalyse einsetzen und erste Modelle für analytische Fragestellungen entwickeln.

• Junior Machine Learning Developer bzw. ML-Entwickler:in für einfache Modelle
• Python-Entwickler:in mit Schwerpunkt Datenanalyse
• Datenanalyst:in mit Vorhersagemodellen in scikit-learn
• Business-Analytics-Fachkraft für die Interpretation von Modellergebnissen