Einführung in Python und Machine Learning – Grundlagen der Programmierung, Datenanalyse und KI

Python praxisnah lernen und erste Machine-Learning-Modelle umsetzen 

In diesem praxisnahen Seminar lernen die Teilnehmer:innen die Programmiersprache Python von den Grundlagen bis zu fortgeschrittenen Techniken und erwerben zusätzlich ein solides Basiswissen im Bereich Machine Learning. Am Ende des Kurses können die Teilnehmenden Python-Programme für Datenanalyse, Visualisierung und erste Machine-Learning-Modelle entwickeln. 

Ihre Vorteile auf einen Blick 

• Sicherer Umgang mit Python zur Datenverarbeitung 

• Daten analysieren, aufbereiten und visualisieren 

• Verständnis grundlegender Machine-Learning-Konzepte 

• Klassische ML-Algorithmen anwenden und interpretieren 

• Einführung in Matplotlib, Seaborn, Numpy, Pandas und scikit-learn 

• Praxisnahe Übungen mit eigenen Datensätzen 

• Schrittweise Umsetzung von Python-Code bis zum ML-Modell 

Seminarinhalte 

Teil 1: Python Grundlagen 

• Einführung: Python Überblick, Installation & Setup (Anaconda, Jupyter), Vergleich mit anderen Sprachen 

• Python Basics: Variablen, Datentypen, Bedingungen & Schleifen, Funktionen & Module 

• Fortgeschrittene Python-Techniken: Listen, Dictionaries, Sets, Fehlerbehandlung, List Comprehensions, Einführung in Klassen & Objekte 

Teil 2: Mathematische Grundlagen für Machine Learning 

• Mathe Essentials: Lineare Algebra, Statistik (Mittelwert, Varianz, Korrelation), Wahrscheinlichkeiten 

• Funktionen & Visualisierung: Datenanalyse und Visualisierung mit Pandas, Numpy, Matplotlib & Seaborn 

Teil 3: Machine Learning Grundlagen 

• Einführung in ML: Grundbegriffe, typische Einsatzbereiche 

• Klassische ML-Algorithmen: K-Nearest Neighbors (KNN), lineare und polynomiale Regression, Entscheidungsbäume 

• Modelloptimierung: Fehlerfunktionen, Overfitting und Underfitting erkennen und vermeiden 

• Arbeiten mit scikit-learn: Pipelines erstellen, Modelle evaluieren, praktische Umsetzung 

Voraussetzungen 

• Grundverständnis von Mathematik (Schulniveau) 

• Keine oder geringe Python-Kenntnisse erforderlich 

• Eigenes Notebook mit installierter Python-Umgebung (Anleitung wird bereitgestellt) 

Zielgruppe 

• Technisch interessierte Berufstätige (Ingenieure, Analysten, Entwickler) 

• Studierende technischer und naturwissenschaftlicher Fächer 

• Quereinsteiger:innen im Bereich Data Science 

• Alle, die Python praxisnah lernen und erste Machine-Learning-Modelle selbst umsetzen möchten