Einführung in Python und Machine Learning

Teil 1: Python Grundlagen

Abschnitt 1: Einführung

• Was ist Python?
• Installation & Setup (Anaconda, Jupyter)
• Python vs. andere Sprachen

Abschnitt 2: Python Basics

• Variablen, Datentypen
• Bedingungen & Schleifen
• Funktionen & Module

Abschnitt 3: Fortgeschrittene Python-Techniken

• Listen, Dictionaries, Sets
• Fehlerbehandlung
• List Comprehensions
• Einführung in Klassen & Objekte

Teil 2: Mathematische Grundlagen für Machine Learning (ML)

Abschnitt 4: Mathe Essentials

• Lineare Algebra Grundlagen
• Statistik: Mittelwert, Varianz, Korrelation
• Wahrscheinlichkeiten

Abschnitt 5: Funktionen und Visualisierung

• Matplotlib & Seaborn
• Numpy
• Pandas: Datenanalyse

Teil 3: Machine Learning Grundlagen

Abschnitt 6: Einführung in ML

• Was ist ML?
• Grundbegriffe

Abschnitt 7: Klassische ML-Algorithmen

• K-Nearest Neighbors (KNN)
• Lineare Regression
• Polynomiale Regression
• Entscheidungsbäume

Abschnitt 8: Modelloptimierung

• Fehlerfunktionen
• Overfitting und Underfitting

Abschnitt 9: Arbeiten mit scikit-learn, Pipelines, Evaluation

• Grundverständnis von Mathematik (Schulniveau)
• Keine oder geringe Python-Kenntnisse erforderlich
• Eigenes Notebook mit installierter Python-Umgebung (Anleitung wird bereitgestellt)

Dieses Seminar richtet sich an:

• Technisch interessierte Berufstätige (z. B. Ingenieure, Analysten, Entwickler)
• Studierende technischer und naturwissenschaftlicher Fächer
• Quereinsteiger:innen im Bereich Data Science

B