Python und Machine Learning lernen: von der ersten Schleife zum Modell

KI-Bootcamp · 10 Tage

Python, Datenanalyse und Machine Learning von Syntax bis Abschlussprojekt erarbeiten

Das nehmen Sie mit

• Sicherer Umgang mit Python, pandas, numpy, matplotlib und seaborn für Datenanalyse und Visualisierung
• Praktische Erfahrung mit Klassifikation, Regression, Clustering, Baumverfahren und neuronalen Netzen
• Grundlagen in Zeitreihenprognose mit Prophet und ARIMA-Modellen sowie Textanalyse mit TF-IDF
• Ein selbst umgesetztes End-to-End-Projekt mit Git-Versionierung und exportiertem Modell

Ablauf

1. Teil 1

   Modul 1 – Einstieg: Python-Grundlagen im Schnelldurchlauf

   • Grundsyntax und Datentypen, Bedingungen und Schleifen
   • Eigene Funktionen schreiben, mit Listen und Dictionaries arbeiten
   • Kompakter Code mit List Comprehension und Lambda-Funktionen
   • Übung: Kleine Hilfsprogramme in Python schreiben, z. B. einen Einheitenumrechner
2. Teil 2

   Modul 2 – Datenanalyse: Tabellen mit pandas und numpy bearbeiten

   • pandas, numpy und datetime als Grundwerkzeuge jeder Auswertung
   • Daten per Indexing auswählen, gruppieren und aggregieren
   • Lücken im Datensatz aufspüren und sinnvoll behandeln
   • Übung: CSV-Daten mit Kennzahlen statistisch auswerten
3. Teil 3

   Modul 3 – Visualisierung: Daten mit matplotlib und seaborn zeigen

   • Diagrammtypen und Gestaltungsmöglichkeiten in matplotlib und seaborn
   • Boxplots, Heatmaps und Pairplots für Verteilungen und Zusammenhänge
   • Grafiken so anlegen, dass sie eine Aussage transportieren (Storytelling)
   • Übung: Einen unbekannten Datensatz grafisch erkunden
4. Teil 4

   Modul 4 – Datenzugriff: Dateien, Datenbanken und Webseiten anbinden

   • CSV, Excel, JSON und SQL einlesen und wieder schreiben
   • Mit Datenbanken arbeiten über sqlite3 und SQLAlchemy
   • Web Scraping mit requests und BeautifulSoup
   • Übung: Inhalte einer Webseite abrufen und in eine saubere Tabelle überführen
5. Teil 5

   Modul 5 – Statistik: Kennzahlen, Verteilungen und Tests

   • Deskriptive Statistik: Mittelwert, Median und Varianz berechnen und deuten
   • Wahrscheinlichkeitsverteilungen und was sie über Daten aussagen
   • Hypothesentests am Beispiel von t-Test und Chi²-Test
   • Übung: Einen realen Datensatz statistisch untersuchen
6. Teil 6

   Modul 6 – Machine Learning: Lernarten und Modellierungsablauf

   • Überwachtes und unüberwachtes Lernen voneinander abgrenzen
   • Ablauf einer Modellierung: Train-Test-Split, Training und Evaluation
   • Wie Scikit-Learn aufgebaut ist: Estimator, fit und predict
   • Übung: Ein erstes Klassifikationsmodell trainieren
7. Teil 7

   Modul 7 – Datenvorbereitung: Merkmale für Modelle aufbereiten (Feature Engineering)

   • Feature Scaling mit StandardScaler und MinMaxScaler
   • Kategoriale Merkmale kodieren: Label-Encoding und One-Hot-Encoding
   • Ausreißer erkennen und behandeln, Werte in Kategorien einteilen
   • Übung: Einen Rohdatensatz modellfertig machen
8. Teil 8

   Modul 8 – Klassifikation: Verfahren in Scikit-Learn vergleichen und abstimmen

   • Naive Bayes, Entscheidungsbaum und k-Nearest Neighbors im Vergleich
   • Hyperparameter mit GridSearchCV systematisch abstimmen
   • Pipelines aufbauen und Modelle per Cross-Validation absichern
   • Übung: Mehrere Modelle für denselben Anwendungsfall gegeneinander antreten lassen
9. Teil 9

   Modul 9 – Regression: Zahlenwerte vorhersagen

   • Ridge, Lasso und klassische lineare Regression
   • Nichtlineare Zusammenhänge mit Polynomial Regression abbilden
   • Modellgüte messen mit R², RMSE und MAE
   • Übung: Hauspreise aus Merkmalen wie Lage und Wohnfläche vorhersagen
10. Teil 10

    Modul 10 – Clustering: Gruppen in Daten finden

    • DBSCAN, K-Means und hierarchisches Clustering
    • Die Clusterzahl wählen mit Elbow-Methode und Silhouettenwert
    • Cluster mit PCA auf zwei Dimensionen abbilden und darstellen
    • Übung: Kundensegmente für Marketingzwecke bilden
11. Teil 11

    Modul 11 – Baumverfahren: Entscheidungsbäume und Random Forests

    • Wie Baumstrukturen entstehen und woran sich Overfitting zeigt
    • Ensembles verstehen am Beispiel Random Forest
    • Feature-Importances auswerten und richtig deuten
    • Übung: Einen Entscheidungsbaum trainieren und visualisieren
12. Teil 12

    Modul 12 – Neuronale Netze: Einstieg mit Keras und TensorFlow

    • Die Keras-API kennenlernen
    • Ein MLP (Multi-Layer-Perceptron) Schicht für Schicht aufbauen
    • Aktivierungsfunktionen und Optimizer auswählen
    • Übung: Handschriftliche Ziffern aus dem MNIST-Datensatz klassifizieren
13. Teil 13

    Modul 13 – Zeitreihen: Verläufe analysieren und fortschreiben

    • Daten mit Zeitstempel einlesen und auswerten
    • Trends, Saisonalität und gleitende Durchschnitte (Moving Averages)
    • Prognosen mit Prophet und ARIMA-Modellen erstellen
    • Übung: Verkaufszahlen für die kommenden Monate vorhersagen
14. Teil 14

    Modul 14 – Textanalyse: Natural Language Processing (NLP)

    • Texte vorbereiten: Tokenisierung und Stemming
    • Texte in Zahlen übersetzen mit Bag-of-Words und TF-IDF
    • Texte klassifizieren, z. B. für einen Spamfilter
    • Übung: Stimmungen in Kundenfeedback per Sentiment-Analyse erkennen
15. Teil 15

    Modul 15 – Abschlussprojekt: Von den Rohdaten bis zum Deployment

    • Ein End-to-End-Projekt von den Rohdaten bis zum Deployment durchspielen
    • Code mit Git versionieren, trainierte Modelle mit joblib exportieren
    • Fehler vermeiden sowie Fairness und Ethik bei ML-Anwendungen beachten
    • Die eigenen Projektideen vor der Gruppe vorstellen