Kursauszug / Demo-Gliederung
Was dich in diesem Lernpfad erwartet
Machine Learning ist der Kern vieler KI-Rollen. Wichtig ist, nicht nur Algorithmen zu nennen, sondern zu zeigen, dass du Problem, Daten, Modell, Metrik und Grenzen zusammen denken kannst.
Kursaufbau als Beispielgliederung
Diese Gliederung zeigt exemplarisch, wie ein sinnvoller Kurs aufgebaut sein kann. Der tatsächliche Kurs kann je nach Anbieter, Niveau und Zielgruppe erweitert werden.
- Modul 1: ML-Problemtypen
Klassifikation, Regression, Clustering, Ranking und Forecasting. Welche Problemtypen in Jobanzeigen auftauchen und welche Beispiele dazu passen. - Modul 2: Trainingsdaten und Features
Train/Test-Split, Leakage, Feature Engineering, Baseline-Modelle und Datenqualität. - Modul 3: Modelle und Metriken
Logistische Regression, Random Forest, Gradient Boosting, einfache neuronale Netze. Accuracy, Precision, Recall, F1, AUC und Fehleranalyse. - Modul 4: Modellbewertung im Jobkontext
Warum ein Modell fachlich scheitern kann, obwohl die Kennzahl gut aussieht. Bias, Drift, Robustheit und Monitoring. - Modul 5: Bewerbungsprojekt dokumentieren
Ein ML-Projekt so erklären, dass Recruiter und technische Interviewer es verstehen.
Praxisbezug
Mini-Projekt für Portfolio und CV
Mini-Projekt: Vorhersagemodell für eine reale Fragestellung bauen, Baseline vergleichen, Metriken erklären und Grenzen transparent dokumentieren.
Wichtig ist, dass am Ende nicht nur ein Zertifikat steht. Für Bewerbungen zählt ein nachvollziehbarer Beleg: Was war das Problem, welche Daten oder Tools wurden genutzt, was ist das Ergebnis und wo liegen die Grenzen?
- Machine Learning Engineer Junior
- Data Scientist
- Applied Scientist Intern
- ML Working Student