Kurs · Modul 259
ICT-Lösungen mit Machine Learning entwickeln
Nach diesem Kurs kannst du ein Problem aus dem Betrieb ehrlich als ML-Aufgabe einordnen oder begründen, warum eine einfache Regel reicht. Du erkundest und bereinigst Daten mit pandas, teilst sie ohne Data Leakage auf und baust Aufbereitung und Modell in eine scikit-learn-Pipeline. Du trainierst lineare Regression, k-NN, Entscheidungsbäume, Random Forest und logistische Regression, vergleichst sie mit einer Baseline und stimmst Hyperparameter mit Kreuzvalidierung ab. Accuracy, Precision, Recall, F1, MAE und RMSE rechnest du auch von Hand, du liest Konfusionsmatrizen und leitest einen Schwellenwert aus den Kosten von Fehlentscheiden ab. Du stellst ein Modell als FastAPI-Dienst im Docker-Container bereit und planst Überwachung und Neutraining. Und du prüfst Fairness pro Gruppe, berücksichtigst das Schweizer Datenschutzgesetz und dokumentierst die Grenzen deines Modells. In 15 Code-Laboren programmierst du die Kernverfahren selbst. Ehrlich gesagt: Ein eigenes Projekt durchziehen musst du selbst. Das geführte Projekt und die Prüfungssimulation sind genau dafür gemacht.
Dein nächster Schritt
Was Machine Learning ist und wann es sich lohnt
Du unterscheidest Klassifikation, Regression und Clustering, formulierst ein Problem mit Label, Merkmalen und Erfolgskriterium und prüfst mit einer Baseline, ob sich ML überhaupt lohnt. · 40 Min.
Dein KI-Lerncoach
Lernen mit KI, aber richtig
Der Tutor kennt dieses Modul, deine Lektion und deine Aufgaben. Er führt dich zur Lösung, statt sie vorzusagen.
Training
…
Aufgaben gelöst
Karteikarten
…
Karten im Kurs
Praxisprojekt
…
Meilensteine
Prüfung
…
bestes Ergebnis
Deine Kompetenzen
offen begonnen sicher gemeistert
Berechnet aus deinen gelösten Aufgaben. Ziel für den Kompetenznachweis: überall mindestens «sicher» auf Stufe 2.
| 1 · Grundlagen | 2 · Fortgeschritten | 3 · Erweitert | |
|---|---|---|---|
| A · Problem als ML-Aufgabe einordnen | 0% | 0% | 0% |
| B · Daten erkunden und vorbereiten | – | – | – |
| C · Modelle trainieren | – | – | – |
| D · Modelle ehrlich bewerten | – | – | – |
| E · Modell in eine Anwendung integrieren | – | – | – |
| F · Verantwortung und Grenzen | – | – | – |
Abzeichen
Lektionen
- 1Was Machine Learning ist und wann es sich lohntDu unterscheidest Klassifikation, Regression und Clustering, formulierst ein Problem mit Label, Merkmalen und Erfolgskriterium und prüfst mit einer Baseline, ob sich ML überhaupt lohnt.Gratis40 Min.
- 2Daten erkunden mit pandasDu verschaffst dir mit head, info und describe einen Überblick, findest falsche Datentypen, fehlende Werte, Duplikate und Ausreisser und dokumentierst jede Bereinigung.40 Min.
- 3Daten vorbereiten, aufteilen und Leakage vermeidenDu kodierst Kategorien und Text, skalierst Zahlen, teilst Daten zufällig oder zeitlich auf und verhinderst Data Leakage mit einer scikit-learn-Pipeline.45 Min.
- 4Lineare Regression und der Vergleich mit der BaselineDu verstehst die Methode der kleinsten Quadrate, rechnest eine Regression von Hand, misst Fehler mit MAE und RMSE und vergleichst Modelle fair mit einer Baseline.45 Min.
- 5Klassifizieren mit k-NN, Entscheidungsbaum und logistischer RegressionDu verstehst, wie k-NN, Entscheidungsbäume, Random Forest und logistische Regression entscheiden, rechnest k-NN und Gini von Hand und begründest eine Modellwahl.45 Min.
- 6Ehrlich bewerten: Konfusionsmatrix, Precision und RecallDu liest Konfusionsmatrizen, berechnest Precision, Recall und F1, erkennst das Accuracy-Paradox und legst einen Schwellenwert anhand der Kosten von Fehlentscheiden fest.45 Min.
- 7Overfitting, Kreuzvalidierung und HyperparameterDu erkennst Over- und Underfitting am Vergleich von Training und Test, unterscheidest Parameter und Hyperparameter und stimmst diese mit Kreuzvalidierung und GridSearchCV ab.40 Min.
- 8Vom Notebook zur API: Modell bereitstellen und betreibenDu speicherst eine Pipeline mit joblib, stellst sie über FastAPI mit geprüften Eingaben im Docker-Container bereit und planst Überwachung, Neutraining und Rollback.45 Min.
- 9Fairness, Datenschutz und Grenzen eines ModellsDu erkennst Quellen von Bias, misst Fehlerquoten pro Gruppe, wendest die wichtigsten Vorgaben des DSG an und dokumentierst Grenzen und menschliche Kontrolle in einer Modellbeschreibung.45 Min.