Für wen ist dieser Kurs zum maschinellen Lernen geeignet?
Der Kurs richtet sich an Produktverantwortliche, operative Leitungskräfte, Finanzverantwortliche, Gründerinnen und Gründer sowie alle, die ein System für maschinelles Lernen freigeben, kaufen oder damit zusammenarbeiten sollen. Vielleicht prüfen Sie das Kundenabwanderungsmodell eines Anbieters, entscheiden über die Finanzierung eines Prognoseprojekts oder erklären Kunden eine Funktion für maschinelles Lernen.
Für wen ist dieser Kurs zum maschinellen Lernen nicht geeignet?
Dieser Kurs richtet sich nicht an Personen, die bereits in der technischen Entwicklung von Systemen für maschinelles Lernen oder in der Datenwissenschaft arbeiten und eine vertiefende Fachweiterbildung suchen. Der grundlegende Lernpfad enthält keine mathematischen Herleitungen, und die optionalen Programmierlektionen in Python beginnen bei null statt auf Forschungsniveau. Wenn Sie über eine Vollzeitausbildung in einen Beruf im Bereich maschinelles Lernen einsteigen möchten, suchen Sie nach einem Hochschulmodul oder einem technisch ausgerichteten Bootcamp. Hier gibt es keine Jobgarantie. Dieser Kurs ist für Menschen gedacht, die mit solchen Fachkräften zusammenarbeiten, und für alle, die einen ersten praktischen Einstieg suchen.
Was lerne ich in den einzelnen Modulen?
Die Module vermitteln ein einheitliches Verständnis von maschinellem Lernen und wenden es anschließend auf Entscheidungen an, vor denen Sie tatsächlich stehen.
1. Was maschinelles Lernen ist
Muster aus Beispielen lernen, statt Regeln zu schreiben – und wie sich das von generativer KI und einfacher Automatisierung unterscheidet.
2. Trainingsdaten
Zielwerte, Merkmale und historische Daten – und warum ein Modell nur so gut sein kann wie die Beispiele, aus denen es gelernt hat.
3. Modelle und Vorhersagen
Klassifikation, Vorhersage von Zahlenwerten und Rangfolgenbildung – anhand von Beispielen aus dem Geschäftsalltag statt mit Gleichungen erklärt.
4. Bewertung und Überanpassung
Testdaten, Genauigkeit im Vergleich zu Präzision und Trefferquote einfach erklärt – und warum ein Modell, das im Test perfekt abschneidet, im Einsatz scheitern kann.
5. Verzerrungen und schleichende Veränderungen
Wie historische Daten Ungleichbehandlung verankern und warum Modelle schlechter werden, wenn sich Kunden und Märkte verändern.
6. Ein Projekt zum maschinellen Lernen beauftragen und hinterfragen
Die Entscheidung, das Erfolgskriterium und die Kosten möglicher Fehler definieren sowie die Fragen an Anbieter und Teams festlegen.
Wie passt sich der personalisierte Lernpfad an mich an?
Die Einstufung ermittelt, ob das Thema neu für Sie ist oder ob Sie bereits Produktvorführungen von Anbietern gesehen haben und welche Entscheidungen Sie treffen. Für Produktverantwortliche drehen sich die Beispiele um Empfehlungs- und Rangfolgefunktionen, für Finanzleitungen um Prognosen und Betrugshinweise. Wenn Sie den Unterschied zwischen Trainings- und Testdaten bereits erklären können, gehen Sie direkt zur Bewertung über.
Was übe ich?
Sie üben, Arbeiten zum maschinellen Lernen zu verstehen, entsprechende Aufgabenstellungen zu formulieren und Ergebnisse kritisch zu hinterfragen. Die Aufgaben werden anhand eines einsehbaren Bewertungsrasters mit konkreten Rückmeldungen bewertet. Sie können eine Bewertung zur Überprüfung markieren.
Beispielaufgabe: Dem fiktiven Softwareunternehmen Lumen Ledger wird das Kundenabwanderungsmodell eines Anbieters mit einer Genauigkeit von 95 Prozent vorgestellt. Tatsächlich wandern nur 4 Prozent der Kunden ab. Sie erklären, warum die Genauigkeit allein wenig aussagt, und listen auf, welche Angaben Sie stattdessen anfordern würden. Der Bewertungsleitfaden prüft, ob Sie erkennen, dass die Vorhersage „keine Abwanderung“ für alle Kunden eine Genauigkeit von 96 Prozent erreichen würde, und ob Sie fragen, wie viele tatsächlich abwandernde Kunden das Modell erkennt, welche Testdaten verwendet wurden und wie oft es neu trainiert wird.
Wie lange dauert der Kurs zu maschinellem Lernen?
Jede Lektion dauert 10 bis 15 Minuten. Die Länge Ihres Lernpfads hängt von Ihrem Einstufungstest und davon ab, wie regelmäßig Sie lernen. Deshalb gibt es keine feste Gesamtstundenzahl. Wer bereits Kenntnisse in Daten und Statistik hat, kommt durch die ersten Module oft schneller voran.
Was bekomme ich am Ende?
Zum Abschluss absolvieren Sie eine praktische Prüfung: Sie prüfen einen Vorschlag zum Einsatz maschinellen Lernens und verfassen eine kurze Entscheidungsvorlage. Wenn Sie bestehen, erhalten Sie ein anerkanntes Zertifikat über Grundlagen des maschinellen Lernens für Berufstätige. Es ist kein akkreditierter Abschluss und bescheinigt keine technischen Entwicklungskompetenzen.
Wie viel kostet es?
Grundlagen des maschinellen Lernens sind in jedem Tarif enthalten. Der Einzeltarif kostet USD 79 pro Monat oder USD 790 pro Jahr. Der Teamtarif kostet USD 189 pro Monat oder USD 1,890 pro Jahr für bis zu 3 Mitglieder. Jedes weitere Mitglied kostet zusätzlich USD 49 pro Monat oder USD 490 pro Jahr. Teams ab 25 Mitgliedern erhalten Mengenrabatte. Zunächst können Sie das Angebot 7 Tage kostenlos testen. Eine Kreditkarte ist nicht erforderlich.