Grundlagen des Maschinellen Lernens:
- Einführung in Maschinelles Lernen
Maschinelles Lernen wird als Konzept verständlich gemacht: Was bedeutet ML im Unterschied zur klassischen Programmierung? Es werden die drei Hauptarten des ML (überwachtes, unüberwachtes und bestärkendes Lernen) vorgestellt und anhand konkreter Beispiele erläutert. Beispiele aus der Praxis wie Bilderkennung, Sprachverarbeitung oder Kundenanalyse verdeutlichen den Nutzen von ML in verschiedenen Branchen.
- Workflow des Maschinellen Lernens
Die Teilnehmenden lernen die einzelnen Schritte eines typischen ML-Projekts kennen: von der Problemdefinition über die Datensammlung, Modelltraining und Validierung bis hin zum Deployment eines Modells. Dabei wird besonderer Fokus auf die Bedeutung der Datenqualität gelegt, einschließlich der Bereinigung und Vorbereitung von Daten sowie der Auswahl relevanter Merkmale (Feature Engineering). Ethische und rechtliche Aspekte wie Bias in Daten oder Datenschutz werden ebenfalls thematisiert.
- Grundlagen von ML-Algorithmen
Die wichtigsten Algorithmen des Maschinellen Lernens werden vorgestellt, darunter einfache Modelle wie lineare Regression, Entscheidungsbäume und Clustering-Methoden wie k-Means. Zudem wird erklärt, wie ML-Modelle lernen und welche Herausforderungen (z. B. Overfitting und Underfitting) auftreten können. Die Bewertung der Modellleistung anhand von Metriken wie Genauigkeit, Präzision, Recall oder F1-Score wird praxisnah erklärt.
- Praktischer Workshop: Ein eigenes ML-Modell bauen
In einem interaktiven Hands-on-Teil setzen die Teilnehmenden das Gelernte in die Praxis um. Mit Tools wie Python, Jupyter Notebook und scikit-learn werden die Teilnehmenden durch die Erstellung eines einfachen ML-Modells geführt. Ein vorbereiteter Datensatz (z. B. der Iris-Datensatz) wird geladen und visualisiert. Danach folgt die Datenvorbereitung (z. B. Training-/Testsplit) und die Implementierung eines einfachen Modells, dessen Leistung analysiert und optimiert wird. Dieser Teil bietet die Möglichkeit, praktische Erfahrungen zu sammeln und zu sehen, wie ML-Modelle tatsächlich funktionieren.
- Ausblick und Diskussion
Zum Abschluss des Trainings wird ein Blick auf die Grenzen und Herausforderungen des Maschinellen Lernens geworfen. Es wird diskutiert, wie Unternehmen ML sinnvoll einsetzen können, welche Anwendungsfälle sich im Unternehmenskontext ergeben könnten und welche nächsten Schritte denkbar sind. Eine Feedback-Runde rundet den Tag ab und gibt den Teilnehmenden Raum für Fragen und Austausch.