Materialien Kurse Softwareentwicklung
Kontakt 🇩🇪 🇬🇧

Machine Learning Grundlagen

Dieser Kurs behandelt die akademischen Grundlagen des Machine Learning. Er beginnt mit den Grundlagen der linearen Regression – einer Methode, die sich oft als gar nicht so grundlegend herausstellt – und endet bei künstlichen neuronalen Netzen bis hin zu LLMs. Der Kurs legt besonderen Wert auf Werkzeuge zum konsistenten Trainieren von Modellen und deren kritische Bewertung. Er behandelt mehr Bewertungsmetriken als tatsächliche Modelle und geht durch eine Vielzahl von Regularisierungstechniken.

Ziele

Im Laufe des Kurses machen Sie sich mit dem gängigen Python-Machine-Learning-Stack vertraut, einschließlich der Bibliotheken scikit-learn, statsmodels, TensorFlow und PyTorch. Außerdem nutzen Sie NumPy, polars und seaborn, um Daten zu visualisieren. Grundkenntnisse in Python sind sehr empfehlenswert.

Sie verbringen einige Zeit damit, Modelle zu trainieren und feinabzustimmen und – was noch wichtiger ist – sie kritisch zu bewerten. Am Ende sollten Sie über ein solides technisches und mathematisches Fundament der gängigsten Modellierungswerkzeuge und Herausforderungen verfügen, das Sie auf Ihre eigenen Daten anwenden können.

Themen

Teil 1: Was ist Machine Learning?

Überwachtes versus unüberwachtes Lernen
Klassifikation und Regression
Praktische Anwendungsfälle
Warum Machine Learning schwierig ist

Teil 2: Überwachtes Lernen

Entscheidungsbäume
Lineare Modelle
Modellbewertung
Feature Engineering
Regularisierung

Teil 3: Unüberwachtes Lernen

Hauptkomponentenanalyse
Clustering
Empfehlungssysteme

Teil 4: Künstliche Neuronale Netze

Feed-Forward-Netze
Bilderkennung
Trainingsstrategien
Natural Language Processing

Teil 5: Large Language Models

Transformer-Architektur
RAGs, MCPs und Agenten
Praktische und regulatorische Aspekte
Aktuelle Grenzen von LLMs

Wie der Kurs abläuft

Der Kurs besteht aus einem kleineren theoretischen Teil und zahlreichen Übungen. Während der Übungen implementieren Sie Schritt für Schritt eine Python-Anwendung und integrieren dabei zentrale Konzepte aus den theoretischen Teilen. Es gibt einige Zusatzaufgaben, die Sie gemeinsam als Team lösen müssen.

Das Kursmaterial enthält Hintergrundlektüre und Codebeispiele, mit denen Sie Ihr Wissen nach dem Kurs vertiefen können. Während der Kurstermine erhalten Sie Unterstützung bei technischen Fragen. Wir gehen außerdem gemeinsam Musterlösungen durch. Die Kursmaterialien sind dauerhaft unter einer Creative-Commons-4.0-Lizenz verfügbar.

Voraussetzungen

Um am Kurs teilzunehmen, sind Python-Kenntnisse von Vorteil, aber nicht zwingend erforderlich. Sie sollten in der Lage sein, einfache Anweisungen zu schreiben und kleinere Python-Codestücke zu debuggen. Um die Übungen zu bearbeiten und die Beispiele auszuprobieren, müssen Sie Code in einem Jupyter Notebook ausführen können. Sauberer Code und aufgeräumte Jupyter Notebooks sind wichtiger als umfangreiche Python-Kenntnisse.

Vorregistrierung

Nutzen Sie das Formular, um sich einen Platz in einem Kurs zu reservieren. Ich melde mich bei Ihnen wegen der Formalitäten.