Maschinelles Lernen und Datenanalyse: Konzepte, Modelle und Verfahren für die Praxis in München

Grundlagen des Machine Learning und Data Mining

• Einführung in Data Mining und Machine Learning
• Wichtige Lernverfahren im Detail
• Umsetzung von Datenprojekten mit CRISP-DM
• Business Understanding: Was können Daten über Geschäftsprozesse aussagen?

Datenverständnis und Datenvorbereitung

• Überblick über Datentypen und Datenquellen
• Bedeutung und Analyse von Daten
• Erste praxisorientierte Übungen in KNIME
• Wichtige Schritte der Datenvorbereitung für Projekte

Modellierung und Evaluierung

• Clustering-Algorithmen im Detail
• Erstellung von Regressionsmodellen
• Klassifikationsmodelle verstehen und anwenden
• Die wichtigsten Metriken zur Modellbewertung
• Praxisbeispiele mit KNIME

Ein Ausblick auf Deep Learning und neuronale Netze

• Funktionsweise und Architektur neuronaler Netze
• Überblick über moderne Deep-Learning-Techniken
• Wie Machine Learning in der Praxis eingesetzt wird – Ausblick
• Deep Learning als spezialisierte Technik im maschinellen Lernen