In diesem Machine-Learning-Kurs lernst du, mit Python und scikit-learn aus Tabellendaten ein überprüfbares Vorhersagemodell zu bauen, und er richtet sich an Teilnehmende mit Python-Erfahrung. Du bereitest Daten in Pipelines vor, trainierst Klassifikations- und Regressionsmodelle, bewertest sie mit Kreuzvalidierung und passenden Metriken und erkennst Datenlecks und Überanpassung. Der Kurs ist praxisnah mit Notebooks und erklärt ausdrücklich, wo Modelle versagen. Deep Learning und große Sprachmodelle gehören nicht zum Umfang.
Das nimmst du mit.
- Daten mit pandas bereinigen und in scikit-learn-Pipelines vorverarbeiten
- Klassifikations- und Regressionsmodelle trainieren und vergleichen
- Modelle mit Kreuzvalidierung und passenden Metriken wie F1 oder MAE bewerten
- Datenlecks, Überanpassung und Ungleichgewicht der Klassen erkennen und beheben
- Ein Modell nachvollziehbar dokumentieren und für den Einsatz speichern
Dein Training im Detail
- Für wen?
- Analysten, Entwickler und Fachkräfte mit Python-Kenntnissen, die Vorhersagemodelle aus Unternehmensdaten entwickeln wollen.
- Was bringst du mit?
- Sicheres Python mit Funktionen und pandas, dazu Grundkenntnisse in Statistik wie Mittelwert, Streuung und Korrelation.
- Umfang & Planung
- Planungsvorschlag: 3 Tage (je ca. 7 Stunden) live online oder vor Ort nach Absprache. Umfang nach Vorkenntnissen.
Agenda: vom Verständnis zur Anwendung
Unser eigenständig entwickelter Agenda-Vorschlag. Schwerpunkte, Übungsumgebung und Umfang stimmen wir vor einer Buchung ab.
Problemstellung und Datenlage: Klassifikation gegenüber Regression, Zielgröße definieren, Baseline-Modell und Erfolgsmaß festlegen.
Datenvorbereitung mit pandas und scikit-learn: fehlende Werte, Kodierung kategorialer Merkmale, Skalierung und ColumnTransformer.
Modelle im Vergleich: lineare und logistische Regression, Entscheidungsbäume, Random Forest und Gradient Boosting.
Bewertung: Train-Test-Split, Kreuzvalidierung, Konfusionsmatrix, Präzision, Recall, F1 und Fehlermaße für Regression.
Fehlerquellen: Datenlecks durch Vorverarbeitung vor dem Split, Überanpassung, Zufallszahlen und Klassenungleichgewicht.
Optimierung und Einsatz: Hyperparametersuche mit GridSearchCV, Merkmalswichtigkeit, Modell speichern und Grenzen dokumentieren.
Eigener Übungsvorschlag: Sage mit einem öffentlichen Beispieldatensatz ein Merkmal voraus, vergleiche zwei Modelle per Kreuzvalidierung und beschreibe in einer Notiz, wo das Modell unzuverlässig ist.
Prüfung, Lizenzen & Nachweise
Es ist keine bestimmte Prüfung zugeordnet. Die Teilnahme allein vergibt keine Herstellerzertifizierung. Prüfungsgebühren sind nur enthalten, wenn sie im Angebot bestätigt sind.
Herstellerquellen & fachlicher Stand
Quellen geprüft am 2026-11-03. Die Quellen beschreiben die Technologie bzw. externe Prüfungsanforderungen. Sie belegen keine Partnerschaft mit NextNowa.
Dein Lerninhalt
Die genannten Inhalte beschreiben das gewünschte Schulungsthema. Konkreten Lehrplan, Dauer, Termine, Trainer und Preis stimmen wir vor einer Buchung ab.
Häufige Fragen
Welche Vorkenntnisse brauche ich für den Machine-Learning-Kurs?
Du solltest Python sicher schreiben und mit pandas Tabellen laden und filtern können. Etwas Statistik wie Mittelwert, Streuung und Korrelation hilft. Höhere Mathematik ist nicht nötig. Wenn du Python erst lernst, ist zuerst der Praxiskurs zu Python sinnvoll, und danach dieser Kurs.
Lernt man im Kurs auch Deep Learning oder große Sprachmodelle?
Nein. Der Kurs konzentriert sich auf klassisches maschinelles Lernen mit Tabellendaten in scikit-learn, das in Unternehmen häufig ausreicht. Neuronale Netze und Sprachmodelle sind eigene Themen mit anderen Werkzeugen. Wenn du sie brauchst, sprich uns an, dann planen wir ein passendes Format.
Woran erkenne ich, ob mein Modell wirklich funktioniert?
Teste es nur an Daten, die das Modell nie gesehen hat, und vergleiche es mit einer einfachen Baseline. Kreuzvalidierung zeigt, wie stark die Ergebnisse schwanken. Ein auffallend gutes Ergebnis ist oft ein Datenleck. Genau diese Prüfroutine übst du im Kurs an eigenen Beispielen.
Erhalte ich bei Machine Learning mit Python ein Zertifikat?
Es ist keine bestimmte Prüfung zugeordnet. Die Teilnahme allein vergibt keine Herstellerzertifizierung. Prüfungsgebühren sind nur enthalten, wenn sie im Angebot bestätigt sind.