Einführung, Überwachtes Lernen und Regression

Die Schulung wird mit den grundlegenden Konzepten der KI und ML eingeleitet und anhand praktischer Implementierungen veranschaulicht.

Gliederung

Kapitel	Inhalte
Einführung in Künstliche Intelligenz	Definition und Historie der KI, Unterschiedliche Formen der KI, Anwendungsfälle, ethische Fragestellungen
Maschinelles Lernen: Konzepte und Typen	Begriffe: ML, Deep Learning, Reinforcement Learning; Beispiele für reale Anwendungen
Überwachtes vs. Unüberwachtes Lernen	Klassifikation vs. Regression, Clustering-Methoden
Trainingsdaten und Modellierung	Datenqualität, Feature Engineering, Modelltraining
Evaluation von ML-Modellen	Metriken: Accuracy (Genauigkeit), Precision (Präzision), Recall, F1-Score, MSE
Praktische Einführung: Lineare Regression	Implementierung eines ML-Modells mit scikit-learn
Fallstudie: Vorhersage von Immobilienpreisen	Hands-on Beispiel mit einem realen Datensatz
Diskussion und Fragen	Diskussion über Anwendungen von KI in verschiedenen Bereichen