Advanced Python for Machine Learning — TensorFlow, PyTorch, scikit-learn

Wer Python und die Data-Science-Tools (NumPy, Pandas) beherrscht, kommt mit diesem Aufbaukurs in die ML-Welt. Der Kurs setzt voraus, dass Sie Python sicher beherrschen und Pandas-DataFrames manipulieren können — und vertieft die ML-spezifischen Themen, die in Senior-Data-Scientist-Rollen erwartet werden. Block ML-Grundlagen: Supervised vs. Unsupervised vs. Reinforcement Learning, Train/Validation/Test-Split, Cross-Validation (k-Fold, Stratified, Leave-One-Out), Bias/Variance-Trade-off, Overfitting/Underfitting, Regularisierung (L1/L2, Dropout). Block scikit-learn — der ML-Standard: Estimator-API (.fit, .predict, .transform, .score), Pipelines für ETL+ML in einem Objekt, Feature Selection (SelectKBest, RFE), Feature Engineering (PolynomialFeatures, ColumnTransformer, OneHotEncoder, StandardScaler), Algorithmen (LinearRegression, LogisticRegression, DecisionTree, RandomForest, GradientBoosting, XGBoost, LightGBM, SVM, KNN, K-Means, DBSCAN, PCA), Hyperparameter-Tuning (GridSearchCV, RandomizedSearchCV, BayesianOptimization via Optuna/Hyperopt). Block Model Evaluation: Klassifikation (Accuracy, Precision, Recall, F1, ROC-AUC, Confusion Matrix), Regression (MAE, MSE, RMSE, R²), Clustering (Silhouette Score, Calinski-Harabasz), Imbalanced Data (SMOTE, Class Weights). Block Deep Learning mit TensorFlow/Keras: Sequential und Functional API, Dense Layers, Activation Functions (ReLU, Sigmoid, Softmax, Tanh), Loss Functions (MSE, Cross-Entropy), Optimizers (SGD, Adam, RMSprop), Convolutional Neural Networks (CNN) für Bilder, Recurrent Neural Networks (RNN, LSTM, GRU) für Sequenzen, Transfer Learning mit pretrained Models. Block PyTorch als Alternative: Tensor-Operationen, Autograd, nn.Module für eigene Architekturen, DataLoader für Batch-Processing, GPU-Support (CUDA), torchvision/torchaudio für Domain-spezifische Tools. Block Performance & Production: Parallelisierung (joblib, multiprocessing), GPU-Beschleunigung, Mixed Precision Training, ONNX-Export für Inference, MLflow für Experiment-Tracking, Modell-Deployment (FastAPI, BentoML, AWS SageMaker, Azure ML).