Künstliche Intelligenz (KI/AI) — AI Mining (Data Mining mit KI-Methoden)

AI Mining ist die Anwendung von KI-Methoden auf das klassische Data Mining — das Extrahieren von Wissen aus großen Datenmengen. Dieser Kurs überträgt traditionelles Data Mining (CRISP-DM-Methodologie) auf moderne Machine-Learning- und Deep-Learning-Ansätze. Sie arbeiten in Python mit Pandas (Datenmanipulation), NumPy (numerische Berechnungen), Matplotlib/Seaborn (Visualisierung) und Scikit-learn (klassisches ML). Datenvorbereitung (Data Preprocessing): Cleaning (Missing Values, Duplicates, Outliers), Encoding (One-Hot, Label, Target Encoding), Feature Scaling (StandardScaler, MinMaxScaler, RobustScaler), Feature Engineering (Polynomial Features, Interactions, Domain Features), Dimensionalitätsreduktion (PCA, t-SNE, UMAP). Klassifikation (Supervised Learning): Logistische Regression, Decision Trees, Random Forest, Gradient Boosting (XGBoost, LightGBM, CatBoost), Support Vector Machines, k-Nearest Neighbors, Naive Bayes. Evaluation mit Confusion Matrix, ROC-Kurve, AUC, Precision-Recall, F1-Score und Cross-Validation. Clustering (Unsupervised): k-Means, DBSCAN, Hierarchical Clustering, Gaussian Mixture Models — mit Silhouette Score und Elbow Method. Assoziationsanalyse: Apriori-Algorithmus, FP-Growth für Warenkorbanalyse. Anomalieerkennung: Isolation Forest, One-Class SVM, Autoencoder-basiert für Fraud Detection und Predictive Maintenance. Time-Series-Mining: ARIMA, Prophet, LSTM-Grundlagen. Praxisprojekte: Customer Churn Prediction, Marktsegmentierung mit Clustering, Recommendation System (Collaborative Filtering, Content-Based). Sie schreiben strukturierte Jupyter-Notebooks, dokumentieren Erkenntnisse und präsentieren Ergebnisse. Optional: Einführung in MLflow für Experiment-Tracking. Die Zielgruppe sind Data Analysts, BI-Spezialisten und Quereinsteiger ins Data Science, die KI-Methoden auf bestehende Datenbestände anwenden wollen.