Am Ende dieses Kurses sind die Teilnehmer in der Lage, strukturierte Datensätze zu analysieren, Merkmale für das maschinelle Lernen aufzubereiten, Regressionsmodelle mit neuronalen Netzen zu erstellen und zu bewerten sowie Regularisierungstechniken anzuwenden, um die Vorhersageleistung zu verbessern. Sie sammeln praktische Erfahrungen bei der Umwandlung von Rohdaten zu Fahrzeugpreisen in verwertbare Erkenntnisse unter Verwendung branchenüblicher Python-Bibliotheken und Workflows mit neuronalen Netzen.

Dieser Kurs führt die Teilnehmer durch ein vollständiges, praxisnahes Projekt zur Vorhersage von Fahrzeugpreisen und begleitet sie Schritt für Schritt von der Datenerfassung und explorativen Datenanalyse bis hin zum Modelltraining, zur Bewertung und zur Optimierung. Die Teilnehmer entwickeln praktische Fähigkeiten in den Bereichen Datenvorverarbeitung, Merkmalskodierung, Skalierung und Verteilungsanalyse, gefolgt vom Aufbau und der Bewertung eines neuronalen Netzmodells unter Verwendung von Regressionsmetriken wie dem mittleren quadratischen Fehler. Was diesen Kurs einzigartig macht, ist sein projektorientierter, durchgängiger Ansatz, der reale Data-Science-Workflows widerspiegelt. Anstelle isolierter Konzepte wenden die Teilnehmer jede Technik im Kontext an und gewinnen so Sicherheit im Umgang mit strukturierten Datensätzen und neuronalen Netzmodellen. Durch den Abschluss dieses Kurses stärken die Teilnehmer ihre berufsrelevanten Fähigkeiten in den Bereichen maschinelles Lernen, Datenanalyse und prädiktive Modellierung. Damit eignet sich der Kurs ideal für angehende Datenwissenschaftler, Praktiker im Bereich maschinelles Lernen und Analytics-Experten, die praktische Erfahrungen mit neuronalen Netzen sammeln möchten.