Python ist die führende Programmiersprache im Bereich Data Science und Machine Learning. Mit seiner großen Community und einer Vielzahl leistungsfähiger Bibliotheken (z. B. scikit-learn, pandas, TensorFlow, PyTorch) eignet es sich perfekt, um datengetriebene Anwendungen zu entwickeln – von einfachen Prognosemodellen bis hin zu komplexen KI-Lösungen.

In diesem Workshop lernen die Teilnehmerinnen und Teilnehmer die Grundlagen des maschinellen Lernens kennen und wenden diese direkt praktisch in Python an. Anhand von Beispieldatensätzen wird der gesamte Workflow durchgespielt: Daten einlesen und vorbereiten, Modelle trainieren, bewerten und verbessern. Der Fokus liegt auf dem Verständnis der Methoden und deren Anwendung, nicht auf der reinen Theorie.

Inhalt

– Einführung: Was ist Machine Learning? Überblick über Methoden und Anwendungsfelder

– Python-Ökosystem für ML: pandas, scikit-learn, matplotlib, TensorFlow/PyTorch

– Datenaufbereitung: Bereinigung, Transformation, Feature Engineering

– Supervised Learning: Klassifikation (z. B. Entscheidungsbaum, Random Forest, logistische Regression) und Regression (z. B. lineare Modelle, Regularisierung)

– Unsupervised Learning: Clustering (z. B. k-Means)

– Modellbewertung: Train-/Test-Split, Kreuzvalidierung, Metriken (Accuracy, RMSE, etc.)

– Hyperparameter-Tuning und Modellverbesserung

– Hands-on: Aufbau eines kompletten ML-Workflows in Python (von den Rohdaten bis zur Vorhersage)

Ziele

Nach dem Workshop sollten die Teilnehmerinnen und Teilnehmer:

– die Grundprinzipien des maschinellen Lernens verstehen,

– Python-Bibliotheken für Datenanalyse und ML sicher einsetzen können,

– eigene Modelle für Klassifikation, Regression oder Clustering aufbauen und evaluieren,

– typische Workflows von der Datenaufbereitung bis zur Modellbewertung umsetzen.