GitHub/GitLab mit Machine Learning – Weiterbildung

Diese Weiterbildung bündelt drei Themenfelder, die im modernen IT- und Datenumfeld eng zusammenspielen: professionelle Versionsverwaltung mit GitHub und GitLab, die Grundlagen des Machine Learning inklusive Modelltraining mit Scikit-Learn, sowie ergänzend Datenanalyse mit Power BI und Grundlagen des Projektmanagements. Statt diese Bereiche isoliert zu behandeln, verzahnt der Kurs sie praxisnah: Repositories werden nicht nur eingerichtet, sondern für die Versionierung von ML-Experimenten und Projektartefakten genutzt. Am Ende steht die Fähigkeit, Versionskontrolle, Datenmodellierung und Projektsteuerung im Zusammenspiel einzusetzen.

Modul 1 — Versionsverwaltung und Kollaboration mit Git Der erste Themenblock legt das technische Fundament: den professionellen Umgang mit Git-basierter Versionsverwaltung über GitHub und GitLab, von der grundlegenden Bedienung bis zu automatisierten Entwicklungs-Workflows.

• Grundlagen von GitHub und Versionsverwaltung im Entwicklungsalltag
• Zentrale Operationen der Versionsverwaltung: Commits, Branches, Merges
• Agiles Arbeiten mit GitHub als zentralem Kollaborationswerkzeug
• Continuous Integration und Continuous Delivery als automatisierte Bereitstellungsprozesse
• Software Testing im Zusammenspiel mit GitHub-Anwendungen

Modul 2 — Einführung und Grundlagen des Machine Learning Der zweite Block wendet sich der Datenseite zu: den Grundkonzepten des Machine Learning und der Frage, wie ein ML-System systematisch aufgebaut wird, inklusive der Versionierung von Daten und Modellcode über GitHub.

• Einführung in Machine Learning mit Bezug zur Versionsverwaltung von Modellcode
• Überblick über die Arten des Machine Learning
• Entwicklung eines Machine-Learning-Systems Schritt für Schritt
• Datenvorbereitung als Grundlage jeder Modellierung

Modul 3 — Modellentwicklung und Bewertung Aufbauend auf den Grundlagen widmet sich dieser Block der konkreten Umsetzung: Modelle trainieren, mit Scikit-Learn klassifizieren und die Ergebnisse systematisch bewerten.

• Training und Auswahl eines Vorhersagemodells
• Verwendung von Scikit-Learn für Klassifikationsaufgaben
• Bewertung von Modellergebnissen anhand geeigneter Kennzahlen
• Modellbewertung und Hyperparameter-Tuning zur Ergebnisverbesserung

Modul 4 — Datenanalyse und Dashboards mit Power BI Ergänzend zur Modellierung vermittelt dieser Block, wie Daten und Ergebnisse für Fachbereiche visuell aufbereitet werden — ein praxisrelevanter Schritt, um technische Analysen kommunizierbar zu machen.

• Datenvorbereitung für Power BI und Arbeiten mit Power Query
• Benutzeroberfläche und Grundfunktionen von Power BI
• Datenquellen verbinden, importieren und interaktive Dashboards gestalten
• Balken- und Liniendiagramme sowie Filter und Hierarchien einsetzen
• Freigabe und Weitergabe von Analysen und Dashboards

Modul 5 — Grundlagen und Methoden des Projektmanagements Der letzte inhaltliche Block ordnet die technischen Fähigkeiten in einen projektbezogenen Rahmen ein: Wie werden Entwicklungs- und Datenprojekte geplant, strukturiert und geführt.

• Einführung in das Projektmanagement und zentrale Begriffe
• Projektarten und ihre jeweiligen Anforderungen
• Standards und Normen im Projektmanagement
• Aufgaben und Rolle einer Projektleitung
• Agiles, traditionelles und hybrides Projektmanagement im Vergleich
• Grundlagen der Projekt-Planung

Praxisblock — Von Repository bis Dashboard Der Praxisblock verbindet die fünf Module zu einem durchgehenden Beispielprojekt, das Versionsverwaltung, Modellierung, Visualisierung und Projektsteuerung zusammenführt.

• Repository für ein Beispielprojekt anlegen und Branching-Strategie festlegen
• Datensatz für ein Klassifikationsproblem aufbereiten
• Machine-Learning-Modell mit Scikit-Learn trainieren
• Modell anhand von Kennzahlen bewerten und Hyperparameter anpassen
• Modellcode und Zwischenergebnisse versioniert im Repository ablegen
• Continuous-Integration-Workflow für automatisierte Tests einrichten
• Ergebnisse des Modells in Power BI importieren und aufbereiten
• Interaktives Dashboard mit den wichtigsten Modellkennzahlen gestalten
• Projektstrukturplan für das Gesamtprojekt erstellen
• Passenden Projektmanagement-Ansatz für das Beispielprojekt begründen und wählen
• Dashboard und Projektdokumentation im Team freigeben
• Gesamtergebnis im Repository dokumentieren und nachvollziehbar machen

Die fünf Module bauen bewusst nicht linear, sondern vernetzt aufeinander auf: Versionsverwaltung begleitet sowohl die Modellentwicklung als auch die Projektarbeit, während Power BI die Ergebnisse für Fachbereiche zugänglich macht. Diese Verzahnung spiegelt wider, wie Datenprojekte in der Praxis tatsächlich ablaufen. Wer die Weiterbildung abschließt, verlässt sie nicht mit isoliertem Wissen zu drei getrennten Themen, sondern mit einem Verständnis dafür, wie Code-Versionierung, Modellentwicklung und Projektsteuerung im selben Arbeitsalltag zusammenwirken.

Die Weiterbildung richtet sich an Personen, die eine Tätigkeit in der IT-Entwicklung, Datenanalyse oder im Projektmanagement anstreben oder ihre bestehenden Fachkenntnisse in diesem Bereich erweitern möchten.

• Angehende Softwareentwickler:innen, die professionelle Versionsverwaltung beherrschen wollen
• Personen mit Interesse an einem Einstieg in Machine Learning und Datenanalyse
• Fachkräfte, die künftig Entwicklungs- oder Datenprojekte leiten möchten
• IT-affine Quereinsteiger:innen, die GitHub/GitLab, ML-Grundlagen und Projektmanagement kombiniert erlernen wollen

Die Weiterbildung kombiniert theoretische Inhalte mit praktischen Übungen direkt in GitHub und GitLab: eigene Repositories werden erstellt, verwaltet und für Fallstudien genutzt. Machine-Learning-Konzepte werden anhand konkreter Modellierungsaufgaben mit Scikit-Learn vertieft, während Power BI und Projektmanagement in eigenen, aufeinander aufbauenden Übungseinheiten behandelt werden.

Die Weiterbildung ist modular über fünf inhaltliche Schwerpunkte aufgebaut, von Versionsverwaltung über Machine Learning und Power BI bis zum Projektmanagement. Der konkrete zeitliche Umfang richtet sich nach dem gebuchten Kurstermin und wird beim Anbieter erfragt.

Die Weiterbildung schließt mit einem trägerinternen Zertifikat bzw. einer Teilnahmebescheinigung zu den Themen GitHub/GitLab mit Zusatzqualifikation Machine Learning sowie Grundlagen des Projektmanagements ab. Ein staatlich anerkannter Abschluss ist damit nicht verbunden.

Versionsverwaltung, Machine Learning und Projektmanagement gelten einzeln bereits als gefragte Kompetenzen — ihre Kombination macht Absolvent:innen besonders anschlussfähig für Rollen, in denen technische Umsetzung, Datenarbeit und Projektsteuerung zusammenkommen, etwa in agilen Entwicklungsteams oder datengetriebenen Projekten. Der praktische Zugang über eigene Repositories sorgt dafür, dass die Versionsverwaltung nicht abstrakt bleibt, sondern direkt mit realen Arbeitsergebnissen — Modellcode, Dashboards, Projektdokumentation — verknüpft wird. Diese Verbindung von Technik und sichtbarem Ergebnis erleichtert den Transfer in den eigenen Arbeitsalltag erheblich. Gerade der Perspektivwechsel zwischen den drei Themenfeldern ist ein Gewinn: Wer versteht, wie Modellentwicklung in Git dokumentiert, mit Power BI kommuniziert und im Rahmen eines Projekts gesteuert wird, kann in interdisziplinären Teams deutlich souveräner mitarbeiten als mit isoliertem Fachwissen in nur einem der drei Bereiche.