Machine Learning gilt als leistungsfähiger Ansatz zur Analyse komplexer Daten – doch welche Methode eignet sich für welches Problem? Von Entscheidungsbäumen über Clustering-Verfahren bis zu Prognosemodellen bietet das maschinelle Lernen eine breite Palette an Werkzeugen. Diese kompakte Einführung vermittelt Ihnen ein konzeptionelles Verständnis ausgewählter Verfahren, ohne Programmierkenntnisse oder Softwareeinsatz vorauszusetzen.
Anhand typischer Anwendungsbeispiele aus datenintensiven Arbeitsfeldern lernen Sie zentrale Methoden wie Decision Trees, Random Forest, k-Means Clustering und k-Nearest Neighbors (k-NN) kennen.
Praktische Fragen:
- Welche Studierenden brechen wahrscheinlich ab? (Decision Tree)
- Wie gruppiere ich 10.000 Nutzer*innen nach Verhalten? (k-Means)
- Welche Bücher passen zu diesem Ausleihprofil? (k-NN)
Sie erfahren, was überwachtes und unüberwachtes Lernen unterscheidet, welche Verfahren sich für Klassifikation, Gruppierung oder Prognosen eignen und wie man die Entscheidungsqualität misst. Ergänzt wird der Überblick durch eine visuelle Übersetzung der Verfahren, eine Entscheidungsmatrix zur Methodenauswahl und Tool-Empfehlungen für den praktischen Einstieg.
Zielgruppe
Alle, die Machine Learning konzeptionell verstehen und bewerten möchten – insbesondere aus Datenanalyse, Controlling, Qualitätsentwicklung, Informationsmanagement oder interessierte Quereinsteiger*innen
ZieleVisualisierungen am Whiteboard, anschauliche Beispiele, strukturierte Entscheidungshilfen, moderierter Austausch, visuelle Animationen in Orange und anderen Programmen
