Kursdetail

Machine Learning Grundlagen
mit Python

Modelle verstehen, trainieren und erste ML-Workflows umsetzen
Lerne die Grundlagen des maschinellen Lernens mit Python und entwickle Schritt für Schritt ein Verständnis dafür, wie Daten, Modelle und Bewertungen zusammenwirken. Der Kurs verbindet verständliche Konzepte mit praktischen Übungen und bereitet dich darauf vor, einfache Machine-Learning-Modelle selbst zu trainieren, zu bewerten und in ersten Projekten anzuwenden.
Kurse vergleichen
ML-Grundlagenkurs anfragen
Think AI
AI & Machine Learning
Einsteigerfreundlich
Moodle · Online · Präsenz

Kursüberblick

Machine Learning verstehen – strukturiert, praxisnah und anwendbar

Dieser Kurs vermittelt dir die zentralen Grundlagen des maschinellen Lernens: von Datenexploration und Visualisierung über Regression, Klassifikation und Clustering bis zu einfachen End-to-End-Workflows mit scikit-learn.

Dauer

5 Tage, optional erweiterbar auf 6–8 Tage mit Vertiefung, Projektverfeinerung und Präsentation.

Format

Moodle-gestütztes Online- oder Präsenzformat mit Theorie, praktischen Übungen, Coding-Sessions und Abschlussprojekt.

Vorkenntnisse

Grundlegende Programmierkenntnisse sind hilfreich, Machine-Learning- oder Data-Science-Erfahrung ist nicht erforderlich.

Tools

Python 3.9+, Jupyter Notebook oder VS Code, pandas, NumPy, Matplotlib und scikit-learn.

Geeignet für

  • Einsteiger, die Machine Learning praktisch verstehen möchten
  • Personen mit ersten Programmierkenntnissen, aber ohne ML-Erfahrung
  • Fachkräfte, die Daten, Modelle und Vorhersagen besser einordnen wollen
  • Lernende, die eine Grundlage für weiterführende AI- und Machine-Learning-Kurse aufbauen möchten

Das lernst du

  • Zentrale Machine-Learning-Begriffe wie Features, Labels, Training, Testdaten und Vorhersagen verstehen
  • Reale Datensätze mit pandas laden, untersuchen und bereinigen
  • Datenverteilungen und Zusammenhänge mit Matplotlib visualisieren
  • Erste Modelle für Regression, Klassifikation und Clustering trainieren
  • Modelle mit einfachen Metriken bewerten und typische Fehler wie Overfitting einordnen
  • Einen einfachen End-to-End-ML-Workflow mit scikit-learn-Pipelines aufbauen

Kursaufbau

Fünf Tage.
Vom Modell­verständnis zum ersten ML-Projekt.

Der Kurs führt dich Schritt für Schritt durch den grundlegenden Machine-Learning-Workflow. Du lernst, Daten vorzubereiten, Modelle zu trainieren, Ergebnisse zu bewerten und dein Wissen in einem kleinen Abschlussprojekt anzuwenden.

01

Daten & ML-Grundlagen

Python-Data-Science-Umgebung einrichten, Datensätze mit pandas laden und zentrale ML-Begriffe wie Features, Labels, Training, Testdaten und Vorhersagen verstehen.

02

Visualisierung & Datenvorbereitung

Daten untersuchen, visualisieren, fehlende Werte behandeln, einfache Vorverarbeitungsschritte anwenden und Datensätze sauber in Trainings- und Testdaten aufteilen.

03

Regression & Klassifikation

Erste Modelle für numerische Vorhersagen und Kategorien trainieren, Ergebnisse bewerten und Metriken wie Accuracy, Fehlermaße und Confusion Matrix einordnen.

04

Clustering, Pipelines & Abschlussprojekt

Unüberwachtes Lernen mit K-Means kennenlernen, einfache scikit-learn-Pipelines aufbauen und einen vollständigen ML-Workflow im Abschlussprojekt umsetzen.
Die vollständige 5-Tage-Struktur kann bei Bedarf auf 6–8 Tage erweitert werden, z. B. mit Kreuzvalidierung, Grid Search, Feature Engineering, Projektverfeinerung und kurzen Abschlusspräsentationen.

Praxis & Outcome

Modelle anwenden statt nur Begriffe lernen

Der Kurs endet mit einem Abschlussprojekt, in dem du einen einfachen Machine-Learning-Workflow praktisch umsetzt – von Datenimport und Visualisierung über Modelltraining bis zur Bewertung und kurzen Interpretation der Ergebnisse.

Mögliche Projektpfade

Kundensegmentierung mit K-Means-Clustering

Regressionsmodell zur Vorhersage numerischer Werte

Klassifikationsmodell für einfache Kategorien oder Entscheidungsfälle

End-to-End-Notebook mit Datenbereinigung, Visualisierung, Modelltraining und Ergebniszusammenfassung

Nach dem Kurs kannst du

  • einfache Datensätze mit Python laden, bereinigen und explorativ untersuchen
  • grundlegende ML-Aufgaben wie Regression, Klassifikation und Clustering unterscheiden
  • erste Modelle mit scikit-learn trainieren und bewerten
  • Ergebnisse mit einfachen Metriken und Visualisierungen nachvollziehbar einordnen
  • typische Fehler wie Datenlecks, Overfitting oder falsche Testlogik besser erkennen
  • Machine Learning als Grundlage für weiterführende AI- und ML-Workflows nutzen

Ziel ist nicht nur ein trainiertes Modell, sondern die Fähigkeit, Machine-Learning-Probleme strukturiert zu verstehen, passende Modellansätze auszuwählen und Ergebnisse nachvollziehbar zu bewerten.

Enthalten

Materialien für deinen Lernprozess

PDF-Kurshandbuch

Jupyter-Übungsnotebooks

Beispieldatensätze

Code-Beispiele mit pandas, Matplotlib und scikit-learn

Vorlage für das Abschlussprojekt inkl. Feedback

Abschlusszertifikat

Nächster Schritt

Bereit, Machine Learning strukturiert zu lernen?

Ob als Einstieg in AI, Data Science oder datenbasierte Problemlösung – wir helfen dir, den passenden Kursstart und das richtige Format zu finden.

ML-Grundlagenkurs anfragen
Alle Kurse ansehen