BEGIN:VCALENDAR VERSION:2.0 PRODID:-//ZContent.net//ZapCalLib 1.0//EN CALSCALE:GREGORIAN METHOD:PUBLISH BEGIN:VEVENT DTSTART:20260331T130000 DTEND:20260331T170000 SUMMARY;CHARSET=UTF-8:Von Daten zu Prognosen – Machine Learning mit Pytho n URL:https://www.sfg.at/e/von-daten-zu-prognosen-machine-learning-mit-python / DESCRIPTION;CHARSET=UTF-8:\nKennenlernen der Grundlagen maschinellen Lernen s\n\nPython ist die führende Programmiersprache im Bereich Data Science u nd Machine Learning. Mit seiner großen Community und einer Vielzahl leist ungsfähiger Bibliotheken (z. B. scikit-learn\, pandas\, TensorFlow\, PyTo rch) eignet es sich perfekt\, um datengetriebene Anwendungen zu entwickeln – von einfachen Prognosemodellen bis hin zu komplexen KI-Lösungen.\nIn diesem Workshop lernen die Teilnehmerinnen und Teilnehmer die Grundlagen des maschinellen Lernens kennen und wenden diese direkt praktisch in Pytho n an. Anhand von Beispieldatensätzen wird der gesamte Workflow durchgespi elt: Daten einlesen und vorbereiten\, Modelle trainieren\, bewerten und ve rbessern. Der Fokus liegt auf dem Verständnis der Methoden und deren Anwe ndung\, nicht auf der reinen Theorie.\nInhalt\n–\; Einführung: Was i st Machine Learning? Überblick über Methoden und Anwendungsfelder\n̵ 1\; Python-Ökosystem für ML: pandas\, scikit-learn\, matplotlib\, Tensor Flow/PyTorch\n–\; Datenaufbereitung: Bereinigung\, Transformation\, F eature Engineering\n–\; Supervised Learning: Klassifikation (z. B. En tscheidungsbaum\, Random Forest\, logistische Regression) und Regression ( z. B. lineare Modelle\, Regularisierung)\n–\; Unsupervised Learning: Clustering (z. B. k-Means)\n–\; Modellbewertung: Train-/Test-Split\, Kreuzvalidierung\, Metriken (Accuracy\, RMSE\, etc.)\n–\; Hyperparame ter-Tuning und Modellverbesserung\n–\; Hands-on: Aufbau eines komplet ten ML-Workflows in Python (von den Rohdaten bis zur Vorhersage)\nZiele\nN ach dem Workshop sollten die Teilnehmerinnen und Teilnehmer:\n–\; die Grundprinzipien des maschinellen Lernens verstehen\,\n–\; Python-Bib liotheken für Datenanalyse und ML sicher einsetzen können\,\n–\; ei gene Modelle für Klassifikation\, Regression oder Clustering aufbauen und evaluieren\,\n–\; typische Workflows von der Datenaufbereitung bis z ur Modellbewertung umsetzen.\n LOCATION;CHARSET=UTF-8:Online &\; Präsenz\; \nEckertstraße 30i\, 8020 Graz END:VEVENT END:VCALENDAR