Grundlagen

Die Grundlagenseite bündelt die Dokumente, ohne die spätere Modellwahl im Kurs kaum sinnvoll einzuordnen ist. Dazu gehören nicht nur Begriffe wie Supervised oder Unsupervised Learning, sondern auch der übergreifende Workflow und die Frage, wie mit Notebooks, Pipelines und wiederkehrenden Arbeitsschritten sauber umgegangen wird.

Einstieg in das Thema

Die Einzeldokumente in diesem Bereich bauen aufeinander auf. Wer Machine Learning nur als Sammlung von Algorithmen betrachtet, verliert schnell den Blick für die eigentliche Arbeitslogik. Genau deshalb beginnt der Kurs mit dem Rahmen und nicht mit dem Modellzoo.

  1. Was ist Machine Learning? – Was ist Machine Learning eigentlich? Lernparadigmen, Aufgabentypen und typische Anwendungsfälle.
  2. ML Workflow – Wie läuft ein ML-Projekt von der Problemstellung bis zum Einsatz ab? Der 5-Phasen-Prozess von Understand bis Deploy.
  3. Workflow-Design – Wie werden ML-Schritte reproduzierbar aufgebaut? Pipelines, ColumnTransformer und saubere Prozesslogik.
  4. Coding-Arbeitsweisen – Welche Arbeitsweisen sparen im Projektalltag Fehler und Zeit? Praktische Muster für Notebooks, Snippets und KI-Assistenz.

Table of contents