Machine Learning
Machine Learning - Von den Grundlagen zu fortgeschrittenen Methoden
Praktische Anwendung von Supervised und Unsupervised Learning, Neural Networks und modernen ML-Frameworks
Inhaltsverzeichnis
Machine Learning steht im Kurs nicht für einen abstrakten Sammelbegriff, sondern für einen konkreten Arbeitsablauf: Daten verstehen, vorbereiten, ein Modell auswählen, die Qualität prüfen und das Ergebnis so bereitstellen, dass es außerhalb des Notebooks noch nutzbar bleibt. Genau an dieser Kette scheitern viele erste Projekte. Nicht am Modell allein, sondern an fehlender Datenlogik, schlechter Evaluation oder einer Pipeline, die nur einmal lokal funktioniert.
Der Kurs ist deshalb bewusst breiter angelegt als eine reine Modellsammlung. Klassische Verfahren wie Regression, Entscheidungsbäume oder Clustering gehören genauso dazu wie Ensemble-Methoden, neuronale Netze und Explainable AI. Der rote Faden bleibt jedoch derselbe: Welche Methode passt zu welchem Problem, woran erkennt sich ein brauchbares Ergebnis und wo wird der Aufwand größer als der Nutzen?
Machine Learning lässt sich im Kurs aus drei Perspektiven betrachten:
Wer den Kurs nicht nur punktuell, sondern in einer sinnvollen Reihenfolge durcharbeiten will, findet im Lernpfad eine kompakte Orientierung durch die produktiven Notebooks.
Verstehen
Im Verständnissteil geht es um die Grundlagen, die in der Praxis später über Erfolg oder Misserfolg entscheiden: Lernparadigmen, Overfitting, Datenleckage, Metriken und die Frage, warum ein Modell auf Trainingsdaten gut und auf echten Daten schlecht aussehen kann. Gerade Einsteiger unterschätzen oft, wie stark die Modellqualität von der Datenvorbereitung und der Evaluationslogik abhängt.
Anwenden
Im Anwendungsteil entstehen belastbare Arbeitsmuster: saubere Preprocessing-Schritte, nachvollziehbare Modellwahl, Hyperparameter-Tuning, Cross-Validation, Visualisierung und einfache Deployments. Das Ziel ist nicht, möglichst viele Algorithmen einmal gesehen zu haben, sondern typische Aufgaben selbstständig durchspielen zu können.
Gestalten
Gestaltung beginnt dort, wo aus einem Modell eine Anwendung wird. Dann zählen Reproduzierbarkeit, Dokumentation, Erklärbarkeit und ein realistischer Blick auf Risiken. Nicht jedes Problem braucht Deep Learning, nicht jedes gute Notebook verdient ein Deployment und nicht jede hohe Accuracy ist ein gutes Ergebnis. Diese Unterscheidungen sind Teil des Kurses, nicht nur Randbemerkung.
Version: 1.0
Stand: März 2026
Kurs: Machine Learning. Verstehen. Anwenden. Gestalten.