Python for Machine Learning — NumPy, Pandas, scikit-learn, Matplotlib

Wer Python kennt und in die Welt des maschinellen Lernens einsteigen will, braucht ein solides Verständnis der ML-Grundlagen plus Praxis mit den Standard-Bibliotheken. Dieser Kurs ist die Brücke zwischen reiner Python-Programmierung und produktiver ML-Arbeit. Block Python-Refresher mit ML-Fokus: Datenstrukturen (Lists, Tuples, Dicts), Funktionen, Klassen, List Comprehensions, Lambda-Funktionen — alles aus ML-Perspektive. Block NumPy für numerische Daten: ndarray-Operationen, Vectorization statt Loops, Broadcasting, lineare Algebra (Matrix-Multiplikation, Determinanten, Eigenwerte), Random-Number-Generation für Stichproben. Block Pandas für Daten-Vorverarbeitung: DataFrames laden (CSV, Excel, SQL), Inspektion (info, describe, head, tail, sample), Cleaning (Missing Values mit fillna/dropna/imputation, Duplikate, Typ-Konvertierung), Feature-Selection und Feature-Engineering (One-Hot Encoding, Label Encoding, Binning, Polynomial Features, Scaling), GroupBy für Aggregation, Merge/Join für mehrere Datenquellen. Block Matplotlib & Seaborn für Visualisierung: Datenverteilungen (Histograms, Boxplots), Korrelationen (Heatmaps, Scatter Plots, Pair Plots), Modell-Performance (ROC-Curves, Confusion Matrix als Heatmap, Learning Curves). Block Machine Learning mit scikit-learn — Grundlagen: Estimator-API (.fit, .predict, .score), Train/Test-Split, Cross-Validation, Hyperparameter-Tuning mit GridSearchCV. Algorithmen: Lineare Regression (für kontinuierliche Targets), Logistische Regression (für Binär-Klassifikation), Decision Trees (interpretierbar, neigt zu Overfitting), Random Forest (Ensemble von Trees, robust), K-Nearest Neighbors (KNN, instance-based), Support Vector Machines (SVM, gut bei kleinen Datensätzen), K-Means Clustering (unüberwacht), Principal Component Analysis (PCA, Dimensionalitäts-Reduktion). Block Neuronale Netze — Einführung: Perzeptron, Mehrschicht-Perzeptron, Backpropagation konzeptionell, scikit-learn MLPClassifier, Brücke zu TensorFlow/PyTorch in Folgekursen. Block Model-Evaluation: Klassifikations-Metriken (Accuracy, Precision, Recall, F1, ROC-AUC), Regressions-Metriken (MAE, MSE, RMSE, R²), Bias/Variance-Trade-off.