Johannes Wobus – Data Science, AI & Software Engineering

1. Online-Kurse und Tutorials zu Maschinellem Lernen

1.1 Für Einsteiger

Maschinelles Lernen kann komplex wirken, aber diese Kurse machen den Einstieg leicht – auch mit wenig Vorkenntnissen.

  • Coursera: „Machine Learning“ von Andrew Ng (Stanford)
    Der Klassiker schlechthin! Andrew Ng erklärt ML-Grundlagen wie lineare Regression, logistische Modelle, SVMs und neuronale Netze – mit etwas Mathematik, aber viel Praxis. Dauer: 11 Wochen bei 4–6 Stunden/Woche. Kostenlos im Audit-Modus, 49 € mit Zertifikat.
    Link: coursera.org/learn/machine-learning
  • edX: „Introduction to Machine Learning with Python“
    Ein praxisorientierter Kurs von Microsoft, der Scikit-learn nutzt. Du lernst Klassifikation, Regression und Clustering mit einfachen Beispieldaten. Dauer: 6 Wochen bei 3–5 Stunden/Woche. Kostenlos oder 99 $ mit Zertifikat.
    Link: edx.org/course/introduction-to-machine-learning
  • KNIME: „Introduction to Machine Learning Algorithms“
    KNIME bietet einen kostenlosen Kurs, der ML ohne Programmierung vermittelt. Mit Drag-and-Drop-Workflows baust du Modelle wie Entscheidungsbäume oder k-NN. Dauer: 4 Stunden. Perfekt für Nicht-Coder!
    Link: knime.com/learning
  • Google: „Machine Learning Crash Course“
    Ein kostenloser Schnelldurchlauf mit TensorFlow. Du lernst Grundlagen wie Gradientenabstieg, Overfitting und einfache Netze – inklusive interaktiver Übungen. Dauer: 15 Stunden.
    Link: developers.google.com/machine-learning/crash-course
  • DataCamp: „Introduction to Machine Learning with Python“
    Ein interaktiver Einstieg in Scikit-learn. Du baust Modelle für Vorhersagen (z. B. Hauspreise) und lernst Datenaufbereitung. Dauer: 4 Stunden. Kostenloser Start, ab 25 €/Monat für Vollzugriff.
    Link: datacamp.com/courses/introduction-to-machine-learning-with-python

1.2 Für Fortgeschrittene

Mit etwas Erfahrung kannst du hier tiefer einsteigen – oft mit Fokus auf spezialisierte Algorithmen oder Deep Learning.

  • Coursera: „Deep Learning Specialization“ von Andrew Ng
    Diese fünfteilige Reihe deckt fortgeschrittenes ML ab: neuronale Netze, CNNs, RNNs, NLP und Optimierung. Projekte wie Bilderkennung machen es praxisnah. Dauer: 3–5 Monate bei 5–7 Stunden/Woche. Kosten: 49 €/Monat.
    Link: coursera.org/specializations/deep-learning
  • Fast.ai: „Practical Deep Learning for Coders“
    Ein kostenloser Kurs, der dich sofort ins Deep Learning wirft – mit PyTorch. Du baust Modelle für Bild- oder Textklassifikation, ohne dich in Mathe zu verlieren. Dauer: 7 Wochen.
    Link: course.fast.ai
  • Udacity: „Machine Learning Engineer Nanodegree“
    Ein umfassendes Programm mit Projekten wie einem autonomen Fahrzeug-Modell. Du lernst Scikit-learn, TensorFlow und RL-Grundlagen. Dauer: 4 Monate bei 10 Stunden/Woche. Preis: ca. 399 €.
    Link: udacity.com/course/machine-learning-engineer-nanodegree
  • KNIME: „Advanced Machine Learning with KNIME“
    Ein kostenloser Kurs für komplexe ML-Workflows – z. B. Ensemble-Methoden oder Hyperparameter-Tuning. Integriere Python oder R für mehr Power. Dauer: 5 Stunden.
    Link: knime.com/learning
  • MIT: „Introduction to Deep Learning (6.S191)“
    Ein Open-Source-Kurs mit Fokus auf Deep Learning. Du lernst TensorFlow, CNNs und RL – mit Praxisbeispielen wie Spracherkennung. Selbstbestimmtes Tempo, kostenlos.
    Link: introtodeeplearning.com

2. Bücher zu Maschinellem Lernen

2.1 Für Einsteiger

Diese Bücher bieten eine solide Grundlage, oft ohne zu viel technische Tiefe.

  • „Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow“ von Aurélien Géron
    Ein Praxisbuch, das ML von Grund auf erklärt – mit Python-Code für Regression, Clustering und Deep Learning. 850 Seiten, ca. 50 €. Perfekt für Anfänger mit etwas Programmiererfahrung.
    Link: amazon.de/dp/1492032646
  • „Machine Learning Yearning“ von Andrew Ng
    Ein kostenloses E-Book über ML-Strategien: Wie priorisierst du Daten, Modelle oder Fehlertypen? 118 Seiten, ideal für Praktiker.
    Link: machinelearningyearning.com
  • „An Introduction to Machine Learning“ von Miroslav Kubat
    Ein leicht verständliches Buch über Klassifikation, Regression und Entscheidungsbäume – mit wenig Mathematik. 348 Seiten, ca. 40 €.
    Link: amazon.de/dp/3319639129

2.2 Für Fortgeschrittene

Diese Werke sind technischer und oft mathematisch fundiert.

  • „Deep Learning“ von Ian Goodfellow, Yoshua Bengio und Aaron Courville
    Das Standardwerk für Deep Learning – von Grundlagen bis zu GANs und RNNs. 800 Seiten, kostenlos online oder ca. 80 € als Hardcover.
    Link: deeplearningbook.org
  • „Pattern Recognition and Machine Learning“ von Christopher Bishop
    Ein Klassiker über statistisches ML – Bayes-Modelle, SVMs, Clustering. 738 Seiten, ca. 90 €. Für Mathe-Fans ein Muss.
    Link: springer.com/gp/book/9780387310732
  • „The Elements of Statistical Learning“ von Trevor Hastie et al.
    Ein tiefgehendes Werk über ML-Algorithmen – von Regression bis Boosting. 745 Seiten, kostenlos als PDF oder ca. 70 €.
    Link: web.stanford.edu/~hastie/ElemStatLearn/
  • „Reinforcement Learning: An Introduction“ von Richard S. Sutton und Andrew G. Barto
    Der definitive Guide zu RL – von Q-Learning bis Deep RL. 548 Seiten, kostenlos als PDF oder ca. 50 €.
    Link: mitpress.mit.edu/books/reinforcement-learning

3. Tools und Plattformen für Maschinelles Lernen

3.1 KNIME

KNIME ist ein Open-Source-Tool, das ML ohne tiefes Programmieren ermöglicht.

  • KNIME Analytics Platform
    Erstelle ML-Workflows per Drag-and-Drop – von Entscheidungsbäumen bis zu neuronalen Netzen. Integriere Python oder R für mehr Flexibilität. Kostenlos und skalierbar.
    Link: knime.com/downloads
  • KNIME Community Hub
    Eine Sammlung vorgefertigter ML-Workflows – z. B. für Zeitreihen oder Clustering. Passe sie an oder teile eigene Modelle. Kostenlos.
    Link: hub.knime.com
  • Warum KNIME?
    KNIME ist ideal für Nicht-Programmierer, bietet aber auch Expertenoptionen (z. B. Deep Learning via Keras). Es ist transparent, reproduzierbar und stark in der Datenintegration.

3.2 Python-Bibliotheken

Python dominiert ML – hier sind die Top-Bibliotheken für 2025:

  • Scikit-learn
    Der Standard für klassische ML-Algorithmen: Regression, Klassifikation, Clustering, PCA. Einfach, aber mächtig. Open Source.
    Link: scikit-learn.org
  • TensorFlow
    Googles Framework für Deep Learning – flexibel für Forschung und Produktion. Unterstützt GPUs/TPUs. Open Source.
    Link: tensorflow.org
  • PyTorch
    Beliebt in der Forschung wegen seiner Dynamik. Ideal für neuronale Netze, RL und Prototyping. Open Source.
    Link: pytorch.org
  • Keras
    Eine High-Level-API (auf TensorFlow) für schnelle Deep-Learning-Modelle. Einfach und anfängerfreundlich. Open Source.
    Link: keras.io
  • XGBoost
    Ein leistungsstarkes Tool für Gradient Boosting – perfekt für Wettbewerbe wie Kaggle. Open Source.
    Link: xgboost.ai
  • LightGBM
    Eine schnelle Alternative zu XGBoost, optimiert für große Datensätze. Open Source.
    Link: lightgbm.readthedocs.io

3.3 Andere Tools

Neben KNIME und Python gibt’s weitere Optionen:

  • H2O.ai
    Eine Plattform für automatisiertes ML (AutoML) – ideal für schnelle Prototypen. Open Source (Basisversion).
    Link: h2o.ai
  • RapidMiner
    Ein No-Code-Tool ähnlich wie KNIME, mit Fokus auf ML und Datenaufbereitung. Kostenlos in der Community Edition.
    Link: rapidminer.com

4. Forschungspapiere und Akademische Ressourcen

ML lebt von Forschung – hier sind die besten Quellen.

  • arXiv: Machine Learning
    Millionen Papers zu ML – suche nach „Gradient Boosting“ oder „Transformers“. Kostenlos und aktuell.
    Link: arxiv.org/list/cs.LG/recent
  • „A Few Useful Things to Know About Machine Learning“ von Pedro Domingos
    Ein einflussreiches Paper über ML-Prinzipien – kurz, aber tiefgehend. Kostenlos.
    Link: homes.cs.washington.edu/~pedrod/papers/cacm12.pdf
  • NeurIPS Proceedings
    Die Top-Konferenz für ML – alle Papers frei zugänglich. Schau dir die 2024er Highlights an!
    Link: papers.nips.cc
  • Papers With Code
    Papers mit Open-Source-Code – z. B. für XGBoost oder Deep RL. Kostenlos.
    Link: paperswithcode.com

5. Communities und Foren

Austausch treibt Fortschritt – hier findest du Gleichgesinnte.

6. Datensätze für ML-Projekte

Daten sind das Herz von ML – hier sind die besten Quellen.

  • Kaggle Datasets
    Tausende Datensätze – z. B. „Titanic“ oder „Credit Card Fraud“. Kostenlos.
    Link: kaggle.com/datasets
  • UCI Machine Learning Repository
    Klassiker wie „Iris“ oder „Adult Income“ – perfekt für Tests. Kostenlos.
    Link: archive.ics.uci.edu/ml
  • Google Dataset Search
    Finde Datensätze zu jedem Thema – von Finanzen bis Medizin. Kostenlos.
    Link: datasetsearch.research.google.com
  • ImageNet
    Millionen Bilder für Bilderkennungs-Modelle. Kostenlos.
    Link: image-net.org

7. Blogs und Nachrichten

Bleib auf dem Laufenden mit diesen Quellen.

  • Towards Data Science
    Tutorials und Analysen zu ML – z. B. „Wie tune ich ein Modell?“ Teilweise kostenpflichtig.
    Link: towardsdatascience.com
  • KDnuggets
    News, Tutorials und Jobtipps für ML-Profis. Kostenlos.
    Link: kdnuggets.com
  • KNIME Blog
    Praxisbeispiele zu ML mit KNIME – z. B. Zeitreihenprognosen. Kostenlos.
    Link: knime.com/blog

8. Podcasts und Videos

Lerne durch Zuhören oder Zuschauen.

9. Hardware für Maschinelles Lernen

Rechenpower ist entscheidend – hier die besten Optionen.

  • NVIDIA GPUs (z. B. RTX 4090)
    Ideal für Deep Learning – ca. 1500 €.
    Link: nvidia.com
  • Google TPUs (Cloud)
    Schnell und skalierbar – ca. 1–2 $/Stunde.
    Link: cloud.google.com/tpu
  • AWS SageMaker
    Cloud-ML-Plattform mit GPU-Unterstützung – Preis variabel.
    Link: aws.amazon.com/sagemaker/

10. Konferenzen und Events

Triff die ML-Welt live.

  • NeurIPS
    Die größte ML-Konferenz – 2025 voraussichtlich in Vancouver.
    Link: neurips.cc
  • ICML
    Fokus auf ML-Forschung – Datum 2025 TBD.
    Link: icml.cc
  • KNIME Summit
    Praxis und ML-Workflows – oft hybrid.
    Link: knime.com/events