Machine Learning, die Kursnotizen

Zwei KI-Winter, das Perzeptron, Expertensysteme, der Arbeitsmarkt 2026 für Junior-Entwickler und die Methode, mit der ein Ingenieur nützlich bleibt.

Kaggle-Wettbewerbe, der tägliche Git-Zyklus, Branches und Pull Requests und der Aufbau eines reproduzierbaren Repositorys für ein ML-Projekt.

Ein ML-Projekt abstecken (Entscheidung, Zielvariable, Metrik, Leitplanken, Data Leakage), dann kleinste Quadrate, Hutmatrix und Konditionszahl herleiten.

Von der Bernoulli-Likelihood zum Log-Loss: Sigmoidfunktion, Gradient, Konvexität, Odds Ratio, Bias-Varianz und Validierung ohne Data Leakage.

Konvexität, Gradientenabstieg und Schrittweite, SGD, dann Ridge und Lasso als Schrumpfung, mit Rechenbeispielen und Lambda per Kreuzvalidierung.

Konfusionsmatrix, ROC und AUC, Precision-Recall, Brier-Score, eine aus Kosten abgeleitete Entscheidungsschwelle und ein reproduzierbares ML-Repository.

Daten- oder ML-Projekt vor dem Coden abstecken: Frage in einem Satz, Entscheidung, Fehlerkosten, datierte Zielvariable, Metrik, Leitplanken, Daten, Plan.

Maximaler Rand, Hinge-Verlust und duale SVM, Kernel-Trick und Kernel-Ridge, dann Entscheidungsbäume (Gini, Entropie, Beschneiden), an Rechenbeispielen.

Bagging, Random Forests, Gradient Boosting und XGBoost hergeleitet, dann verschachtelte Kreuzvalidierung und korrigierter t-Test nach Nadeau und Bengio.

Shapley-Werte von Hand berechnet, Fairness-Maße und ihre Unvereinbarkeit, die KI-Verordnung für Kredite, dann PCA, k-Means und EM an kleinen Beispielen.

Ein erstes ehrliches OLS- oder Logit-Modell auf neuen Daten: Aufteilung ohne Leak, naives Referenzmodell, begründete Metrik, Validierungswerte, Grenzen.

Vorwärtsdurchlauf und Backpropagation von Hand, Netze auf Tabellendaten, Drift-Überwachung mit PSI, konforme Vorhersage und ein Modellservice mit FastAPI.

Inhalt eines ausgelieferten ML-Projekts: lauffähiges Repository, getestete Vorhersage-API, nachvollziehbarer Bericht, Modellkarte, Überwachungsplan, Memo.

Was eine ML-Projektverteidigung zeigen muss, welche Fragen eine Jury stellt, die klassischen Fallen und wie Sie das Projekt im Vorstellungsgespräch nutzen.

Ein reproduzierbares Projekt zum Kreditausfallscore auf den UCI-Kreditkartendaten: Repository, make reproduce, Tests, Kostenschwelle, Robustheit, CI.

Ein ML-Projekt: Log-Renditen, Walk-Forward-Validierung, verzögerte Merkmale, Sentiment aus FinBERT und GDELT, Diebold-Mariano-Test, Sharpe nach Kosten.

Python-Grundlagen, wie Daten zu Zahlen werden, Download per API, dann derselbe Code mit fit und predict für jedes scikit-learn-Modell, mit echten Ausgaben.

Backpropagation, Batch Norm und ihr Gradient, ResNet, Faltung, LSTM, Attention, VAE und GAN, jeweils an der Tafel hergeleitet und in PyTorch geprüft.

Wo es offene Daten gibt und unter welcher Lizenz, ein Steckbrief in sechs Zeilen und ML-Projektideen für Finanzen, Versicherung, Logistik, Tech und Sport.

Ein Datenprojekt abstecken, Werkzeuge (Airflow, Spark, Docker, Kubernetes) und Modell wählen, API und App bereitstellen, dann im Betrieb beobachten.

Pipelines, Parquet, SQL mit DuckDB, idempotente Ladevorgänge, SLOs und Fehlerbudgets, Terraform, Docker, Kubernetes, FinOps und was jede Stufe erwartet.

Familien von Machine-Learning-Modellen: wofür jede da ist, welche Python-Bibliotheken, die größte Falle und ihr Einsatz in Finanzen, Logistik, Industrie.

Abfragen, Schlüssel, Werte, Mehrkopf-Aufmerksamkeit, Positionskodierung, Encoder, Decoder: ein einfacher Satz, dann die Mathematik, dann ein Rechenbeispiel.