Einführung, Überwachtes Lernen und Regression
=============================================

Die Schulung wird mit den grundlegenden Konzepten der :abbr:`KI (Künstliche
Intelligenz)` und :abbr:`ML (Maschinelles Lernen)` eingeleitet und anhand
praktischer Implementierungen veranschaulicht.

Gliederung
----------

.. list-table::
   :header-rows: 1

   * - 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

.. toctree::
   :hidden:
   :titlesonly:
   :maxdepth: 0

   def
   ml-concepts
   categories
   training-modelling
   evaluation
   linear-regression
   case-study
   reflection
   usecase-pitfalls
   customer-churn
   nachtrag_ensembleML
   extra
   01_async_session
   02_async_session