Machine Learning with Python — scikit-learn, Pandas, TensorFlow Einstieg

Maschinelles Lernen mit Python ist heute die Standard-Kombination für Data Scientists und ML Engineers — die Python-Tools (scikit-learn, TensorFlow, PyTorch, Pandas, NumPy) decken alles ab, was im ML-Alltag gebraucht wird. Dieser Kurs ist der praxisorientierte Einstieg. Block Python-Refresher mit ML-Fokus: NumPy (ndarray, Vectorization), Pandas (DataFrame, Cleaning, Feature Engineering), Matplotlib/Seaborn (Visualisierung). Block ML-Grundlagen: Supervised vs. Unsupervised Learning, Train/Validation/Test-Split, Cross-Validation (k-Fold, StratifiedKFold), Bias/Variance-Trade-off, Overfitting/Underfitting, Regularisierung. Block scikit-learn — Klassifikation: Logistic Regression, Decision Trees (CART), Random Forest, Gradient Boosting (XGBoost, LightGBM), K-Nearest Neighbors, Naive Bayes, Support Vector Machines. Metriken: Accuracy, Precision, Recall, F1, ROC-AUC, Confusion Matrix. Block scikit-learn — Regression: Lineare Regression, Polynomial Regression, Ridge (L2), Lasso (L1), Elastic Net, Random Forest Regression, Gradient Boosting Regression. Metriken: MAE, MSE, RMSE, R². Block scikit-learn — Unsupervised: K-Means Clustering, Hierarchical Clustering, DBSCAN für density-based Clustering, Principal Component Analysis (PCA) für Dimensions-Reduktion, t-SNE für Visualisierung in 2D/3D. Block Feature Engineering und Preprocessing: One-Hot Encoding, Label Encoding, Target Encoding, Scaling (StandardScaler, MinMaxScaler, RobustScaler), Imputation (Mittelwert, Median, KNN-Imputer), Polynomial Features, Feature Selection (SelectKBest, RFE, Feature Importance aus Trees). Block Pipelines: sklearn.pipeline.Pipeline für reproducible Workflows (Preprocessing → Model in einem Objekt), ColumnTransformer für gemischte numerische/kategorische Daten, Cross-Validation auf Pipelines, GridSearchCV mit Pipelines. Block Hyperparameter-Tuning: GridSearchCV (Exhaustive Search), RandomizedSearchCV (Stichproben-Search), BayesSearchCV mit Optuna für intelligente Suche, Cross-Validation für robuste Tuning-Ergebnisse. Block Neuronale Netze mit TensorFlow/Keras: Sequential API, Dense Layers, Activation Functions (ReLU, Sigmoid, Softmax), Loss Functions (MSE, Categorical Cross-Entropy, Binary Cross-Entropy), Optimizers (SGD, Adam, RMSprop), Compile/Fit/Evaluate/Predict-Workflow, einfache MLPs für Klassifikation und Regression. Block Modell-Persistenz und Deployment: Modelle speichern (joblib.dump für scikit-learn, model.save für Keras), Deployment-Optionen (FastAPI für REST-APIs, ONNX für Cross-Framework-Inference, Docker-Containerisierung).