Python und Machine Learning: Ohne Vorwissen zum eigenen ML-Projekt

KI-Bootcamp · 10 Tage

Programmieren lernen, Daten auswerten und eigene Modelle bis zur Demo-Anwendung bauen

Das nehmen Sie mit

• Sie schreiben eigenständig Python-Programme mit Funktionen, Klassen und Modulen und arbeiten in Jupyter Notebooks oder Colab.
• Sie bereiten Daten mit pandas auf, stellen sie mit matplotlib dar und trainieren, bewerten und vergleichen ML-Modelle mit scikit-learn.
• Die Grundlagen neuronaler Netze sitzen: Sie haben mit Keras/TensorFlow ein erstes Modell gebaut und eine Anwendung mit Streamlit oder Gradio bereitgestellt.
• Sie haben zwei Praxisprojekte abgeschlossen und vorgestellt, eines davon mit einer eigenen Idee.

Ablauf

1. Teil 1

   Modul 1 – Einstieg: Erste Programme in Python

   • Was Programmieren bedeutet: Grundbegriffe und die nötigen Werkzeuge
   • Python-Syntax, Variablen und Kontrollstrukturen wie if und for
   • Arbeitsumgebungen kennenlernen: IDEs, Jupyter Notebooks und Google Colab
   • Übung: Kleine Python-Programme wie einen Rechner oder ein Zahlenratespiel schreiben
2. Teil 2

   Modul 2 – Bausteine: Datenstrukturen und eigene Funktionen

   • Listen, Dictionaries, Sets und Tupel und wann welche Struktur passt
   • Schleifen und Bedingungen ineinander verschachteln
   • Funktionen selbst schreiben, aufrufen und ihren Ablauf nachvollziehen
   • Übung: Texte verarbeiten und Datensätze nach Kriterien filtern
3. Teil 3

   Modul 3 – Struktur: Objektorientierung, Module und Bibliotheken

   • Klassen, Objekte und Methoden als Ordnungsprinzip für größere Programme
   • Code über Module und Packages mehrfach nutzbar machen
   • Erste Schritte mit pandas, matplotlib und numpy
   • Projekt: Ein kleines Datenanalyse-Programm als Mini-Projekt umsetzen
4. Teil 4

   Modul 4 – Data Science: Daten aufbereiten und sichtbar machen

   • Datensätze einlesen, bereinigen und analysieren
   • Einfache Statistiken berechnen und grundlegende Diagrammtypen erstellen
   • Mit Python berichten: Datenjournalismus und Reporting
   • Projekt: Eine interaktive Auswertung mit Plots aufbauen
5. Teil 5

   Modul 5 – Machine Learning: Wie ein Modell aus Daten lernt

   • Begriff Machine Learning und der Unterschied zwischen Supervised und Unsupervised Learning
   • Der Modell-Workflow in scikit-learn: Laden, Aufteilen, Trainieren, Vorhersagen
   • Daten für das Training vorbereiten und erste Modelle anlernen
   • Übung: Lineare Regression und Entscheidungsbäume trainieren
6. Teil 6

   Modul 6 – Modellvergleich: Verfahren bewerten und optimieren

   • Klassifikation, Regression und Clustering als Aufgabentypen
   • Modellgüte messen mit Accuracy, Precision, F1-Score und ROC-Kurve
   • Hyperparameter-Tuning und Cross-Validation für belastbare Ergebnisse
   • Projekt: Mehrere ML-Modelle auf denselben Daten gegeneinander antreten lassen
7. Teil 7

   Modul 7 – Praxisprojekt I: Ein datengetriebenes Produkt entwickeln

   • Anwendungsfall festlegen, etwa eine Kundenvorhersage oder ein Bewertungssystem
   • Datenquellen anbinden und eine Pipeline vom Rohdatensatz bis zum Modell bauen
   • Ergebnisse grafisch aufbereiten und das Vorgehen dokumentieren
   • Interne Abschlusspräsentation des Projekts vor der Gruppe
8. Teil 8

   Modul 8 – Deep Learning: Neuronale Netze kennenlernen

   • Aufbau und Funktionsweise neuronaler Netze, in der Theorie und am Code
   • Erste Modelle mit Keras/TensorFlow aufbauen
   • CNN und RNN: Einsatzgebiete und Arbeitsweise beider Architekturen
   • Übung: Eine Bildklassifikation oder eine Textanalyse umsetzen
9. Teil 9

   Modul 9 – Praxisprojekt II: Ein Modell in den Realbetrieb bringen

   • Eine Projektidee aus Ihrem eigenen Arbeitsumfeld umsetzen
   • Deployment-Konzepte kennenlernen und das Modell mit Streamlit oder Gradio bedienbar machen
   • Abschlusspräsentationen mit Rückmeldung aus der Gruppe
   • Zertifikat auf Basis von Abschlusspräsentation und Transferaufgabe