ML-Optimierung Schulung

Zielgruppe

Diese Schulung richtet sich an Data Scientists, Machine-Learning-Ingenieur:innen und technisch versierte Analyst:innen, die bestehende Modelle systematisch verbessern möchten.

Schulungsinhalte

• Feature Engineering und Merkmalsauswahl (manuell & automatisiert)
• Skalierung, Normalisierung, Umgang mit Ausreißern
• Modellauswahl und Performance-Kriterien (Precision, Recall, F1, ROC)
• Hyperparameter-Tuning mit GridSearchCV, RandomizedSearchCV, Optuna
• Cross-Validation, Overfitting-Erkennung & Modellvergleich
• MLOps-Grundlagen: Monitoring, Reschulung, Pipelines

Details & Organisation

Lernziele nach dem Lehrbaummodell

Diese Lernziele orientieren sich am Lehrbaummodell (Ellmann 2022) und fördern nachhaltiges Lernen auf kognitiver, motivationaler und metakognitiver Ebene.

• Stamm: Planung & Motivation: Die Teilnehmenden formulieren konkrete Optimierungsziele für bestehende ML-Modelle, reflektieren typische Herausforderungen wie Overfitting oder geringe Modellgüte und entwickeln Motivation zur Qualitätsverbesserung.
• Kommunikation: Die Lernenden diskutieren Tuning-Strategien, Metriken und Feature-Auswahl im Team, begründen Entscheidungen bei der Modellkonfiguration und dokumentieren ihre Erkenntnisse adressatengerecht.
• Material & Struktur: Die Teilnehmenden arbeiten mit Jupyter-Notebooks, Metrik-Reports, Visualisierungen (ROC, Precision-Recall), Feature-Engineering-Skripten und Benchmark-Vorlagen.
• Gedächtnis & Aufmerksamkeit: Zentrale Konzepte wie GridSearchCV, Cross-Validation, Feature-Skalierung oder MLOps werden durch anschauliche Beispiele, Tools wie Optuna und praxisorientierte Übungen verankert.
• Aktivierung & Lernstörung: Die Teilnehmenden experimentieren mit Hyperparametern, vergleichen Modellvarianten, analysieren unerwartete Metriken und entwickeln eine kritische Haltung gegenüber automatisierter Optimierung.
• Gipfel: Überprüfung & Transfer: Die Lernenden bewerten ihre Modellverbesserungen mit geeigneten Kennzahlen, erstellen reproduzierbare Pipelines und reflektieren die Einsatzmöglichkeiten in produktiven ML-Umgebungen.

Kursbezogene Ziele

• Systematische Optimierung bestehender ML-Modelle
• Methodisches Verständnis von Hyperparameter-Tuning
• Transfer in produktive ML-Umgebungen mit Monitoring & Wiederverwendbarkeit

Quelle des Lehrbaummodells zur Gestaltung effektiver Lehre in der IT vom Inhaber: M. Ellmann (2022).
Effektives Lehren und Lernen in der Informatik, Wirtschaftsinformatik und verwandten Fachgebieten.
Veröffentlicht in: Informatik Spektrum, Springer Nature.
SPRINGER NATURE Link: https://doi.org/10.1007/s00287-022-01436-5

Nächste Kurstermine

Hinweis: Gesetzliche Feiertage wurden bei der Terminberechnung automatisch berücksichtigt.

Startzeitraum	Kontakt
03 Aug 2026 bis 05.08.2026 3 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
17 Aug 2026 bis 19.08.2026 3 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
31 Aug 2026 bis 02.09.2026 3 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
14 Sep 2026 bis 16.09.2026 3 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.
28 Sep 2026 bis 30.09.2026 3 Schulungstage inkl. individueller Vertiefung	Mathias Ellmann Ing., M. Sc.

Weiteren Termin anzeigen

Kein passender Termin dabei? Gerne prüfen wir individuelle Schulungswünsche.

Mathias Ellmann

Ing., M. Sc.