Beschreibung

Die Machine Learning Summer School richtet sich an Fach- und Führungskräfte kleiner und mittlerer Unternehmen, die einen fundierten und praxisorientierten Einstieg in Machine Learning suchen. In einem kompakten, fünftägigen Intensivkurs lernen die Teilnehmerinnen und Teilnehmer, wie sie Daten analysieren, Muster erkennen und Vorhersagemodelle entwickeln können – von Grund auf.

Das Besondere: Alle Inhalte werden sowohl mit R als auch mit Python behandelt. So können die Teilnehmenden entweder mit ihrer bevorzugten Sprache arbeiten oder beide Ansätze kennenlernen und vergleichen. Durch zahlreiche Hands-on-Sessions mit realen Datensätzen und Übungen entwickeln die Teilnehmerinnen und Teilnehmer eigene Machine-Learning-Workflows, die sie direkt in ihren Unternehmenskontext übertragen können.

Inhalt

Tag 1: Grundlagen & Setup

- Einführung in Data Science, Machine Learning & Artificial Intelligence: Begriffe, Methoden, Anwendungsfälle

- Überblick über R und Python im Machine-Learning-Kontext

- Software-Setup: RStudio, tidyverse, tidymodels bzw. Jupyter, pandas, scikit-learn

- Daten einlesen, aufbereiten, erste Visualisierungen

 

Tag 2: Supervised Learning I – Regression

- Lineare und logistische Regression (R: lm, glm, tidymodels / Python: scikit-learn)

- Modelltraining, Validierung, Interpretation

- Hands-on: Vorhersage von Kennzahlen (z. B. Absatz, Umsatz, Produktionswerte)

 

Tag 3: Supervised Learning II – Klassifikation

- Entscheidungsbäume, Random Forests, Gradient Boosting

- Modellbewertung: Accuracy, Confusion Matrix, ROC-Kurve

 

Tag 4: Unsupervised Learning & Vertiefung

- Clustering-Methoden (k-Means, hierarchisches Clustering)

- Dimensionalitätsreduktion (PCA)

 

Tag 5: Deep Learning

- Grundlagen neuronaler Netze: Perceptron, Feedforward-Networks

- Frameworks: Keras/TensorFlow in Python, keras/tidymodels in R

- Einführung in Convolutional Neural Networks (CNNs) für Bilddaten

- Einführung in Recurrent Neural Networks (RNNs) für Zeitreihen/Text

- Praxisbeispiele: Bilderkennung, Textklassifikation, einfache Prognosen mit RNNs

Ziele

Nach der Summer School sollten die Teilnehmerinnen und Teilnehmer:

- die wichtigsten Methoden des Machine Learnings verstehen und anwenden können,

- ML-Workflows in R und Python umsetzen können,

- verschiedene Modelltypen (Regression, Klassifikation, Clustering, Deep Learning) beherrschen,

- einen Einblick in moderne Deep-Learning-Methoden erhalten,

- die Unterschiede und Gemeinsamkeiten zwischen R und Python im ML-Einsatz einschätzen können.