Fachschulung – Data Science und klassisches Machine Learning
Anomalieerkennung
Anomalieerkennung kompakt in 6 Stunden: Statistische Verfahren, Isolation Forest und One-Class SVM – praxisnah, mit Übungen und Vorlagen für Ihren Arbeitsalltag.
- Dauer
- 6 Stunden, ein Termin
- Niveau
- Experte
- Format
- Online oder vor Ort
- Sprache
- Deutsch oder Englisch
- Abschluss
- Teilnahmebescheinigung
Überblick
Die Schulung „Anomalieerkennung“ ist ein kompaktes Live-Training aus dem Bereich Data Science und klassisches Machine Learning. Im Mittelpunkt stehen Statistische Verfahren, Isolation Forest und One-Class SVM – erklärt an realistischen Beispielen und vertieft in Übungen, die Sie direkt in Ihren Arbeitsalltag übertragen.
Data Science schafft Wert, wenn Daten sauber aufbereitet, Modelle sinnvoll gewählt und Ergebnisse nachvollziehbar vermittelt werden. Unsere Schulungen decken den gesamten Weg ab: von Datenaufbereitung und explorativer Analyse über klassische Verfahren wie Klassifikation, Regression und Clustering bis zu Modellbewertung und MLOps-Grundlagen. Anomalieerkennung ist ein Tagesworkshop mit kompakten Impulsen und Übungen an realistischen Datensätzen. Sie arbeiten mit Python, SQL und etablierten Plattformen und nehmen Notebooks, Vorlagen und Checklisten für Ihre eigenen Projekte mit.
Das Training findet live statt – wahlweise online im virtuellen Klassenraum oder vor Ort in unseren Trainingsräumen in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch kommen wir auch exklusiv für Ihr Team zusammen.
Schwerpunkte im Kurs
Für wen ist das Training?
- Data Analysts und angehende Data Scientists
- Entwickler und Data Engineers
- Fachexperten mit Datenverantwortung
- Teamleiter und Projektverantwortliche für Datenprojekte
Das können Sie nach dem Training
- Sie kennen die Schwerpunkte von Anomalieerkennung – Statistische Verfahren, Isolation Forest, One-Class SVM, Zeitreihen-Anomalien, Schwellenwerte und Alarme und Evaluation ohne Labels – und können sie praktisch anwenden.
- Sie setzen Anomalieerkennung sicher in eigenen Datenprojekten ein.
- Sie wählen Verfahren passend zur Fragestellung und Datenlage.
- Sie bewerten Modelle belastbar und erkennen typische Fehlerquellen.
- Sie vermitteln Ergebnisse verständlich an Fachbereiche und Entscheider.
Inhalte & Ablauf
Modul 1 Einstieg und Problemformulierung für Anomalieerkennung
- Einordnung von Anomalieerkennung im Data-Science-Prozess
- Fachliche Fragestellung in eine Datenaufgabe übersetzen
- Arbeitsumgebung, Notebooks und Datenzugriff
- Beispielprojekt und Zielgröße
Modul 2 Schwerpunkte: Anomalieerkennung
- Statistische Verfahren
- Isolation Forest
- One-Class SVM
- Zeitreihen-Anomalien
- Schwellenwerte und Alarme
- Evaluation ohne Labels
Modul 3 Methoden und Werkzeuge in Anomalieerkennung
- Zentrale Verfahren und ihre Annahmen
- Umsetzung mit passenden Bibliotheken oder Plattformen
- Datenqualität, Leakage und Verzerrungen erkennen
- Typische Fehler und Gegenmaßnahmen
Modul 4 Praxisübungen zu Anomalieerkennung
- Geführte Übungen mit realitätsnahen Daten
- Modelle trainieren, vergleichen und bewerten
- Ergebnisse visualisieren und interpretieren
- Review der Ansätze in der Gruppe
Modul 5 Überführung in den Betrieb
- Reproduzierbarkeit und Versionierung
- Dokumentation und Kommunikation der Ergebnisse
- Monitoring und Wartung im Überblick
- Nächste Schritte für Ihr Datenprojekt
Modul 6 Transfer in den Arbeitsalltag
- Übung an einem realistischen Fallbeispiel
- Typische Fehler und wie Sie sie vermeiden
- Checkliste und Vorlagen zum Mitnehmen
- Offene Fragen, Ausblick und Ressourcen zum Weiterlernen
Voraussetzungen
Je nach Stufe genügen Grundkenntnisse in Python oder Statistik. Aufbaukurse setzen sichere Programmier- und Methodenkenntnisse voraus. Solide Praxiserfahrung im Thema wird vorausgesetzt.
Technische Voraussetzungen
Eigener Laptop mit Internetzugang; Entwicklungsumgebung, Notebooks und Datensätze werden vorab bereitgestellt.
Termine & Standorte
Pro Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Ihr Wunschtermin ist jederzeit möglich.
- München Di, 15. Dezember 2026 6 Std. Anfragen
- Salzburg Di, 15. Dezember 2026 6 Std. Anfragen
- Berlin Mi, 16. Dezember 2026 6 Std. Anfragen
- Augsburg Mi, 16. Dezember 2026 6 Std. Anfragen
- Hannover Do, 10. Dezember 2026 6 Std. Anfragen
- Bremen Fr, 11. Dezember 2026 6 Std. Anfragen
- Stuttgart Do, 10. Dezember 2026 6 Std. Anfragen
- Kaiserslautern Mi, 16. Dezember 2026 6 Std. Anfragen
- Online Fr, 11. Dezember 2026 6 Std. Anfragen
Häufige Fragen
Welche Vorkenntnisse brauche ich für Anomalieerkennung?
Das hängt von der Kursstufe ab. Einsteigerkurse benötigen Grundkenntnisse in Python oder Statistik, Aufbaukurse sichere Programmierpraxis. Wir klären den passenden Einstieg vorab mit Ihnen und passen Tempo und Beispiele an das Niveau Ihrer Gruppe an.
Können wir in Anomalieerkennung mit eigenen Daten arbeiten?
Ja, bei Inhouse-Terminen sehr gern, sofern die Daten anonymisiert oder freigegeben sind. Zugänge und Datenschutzvorgaben klären wir vorab. Alternativ arbeiten wir mit praxisnahen Beispieldatensätzen, die alle Übungen abdecken.
Was kostet die Schulung „Anomalieerkennung“?
Die Schulung kostet pauschal 949 € zzgl. gesetzl. MwSt. pro Teilnehmer:in – unabhängig davon, ob sie online oder vor Ort stattfindet. Enthalten sind 6 Stunden Live-Training mit Trainer:in, Kursunterlagen, Übungsumgebung und Teilnahmebescheinigung.
Kann ich einen eigenen Wunschtermin angeben?
Ja. Für jeden Standort schlagen wir Ihnen einen Termin in rund vier Wochen vor. Im Anfrageformular können Sie aber jederzeit einen Wunschtermin oder Zeitraum im Freitext angeben – wir prüfen die Verfügbarkeit und melden uns innerhalb eines Werktags.
Findet der Kurs online oder vor Ort statt?
Beides ist möglich: live online im virtuellen Klassenraum oder vor Ort in München, Salzburg, Berlin, Augsburg, Hannover, Bremen, Stuttgart und Kaiserslautern. Auf Wunsch führen wir das Training auch exklusiv für Ihr Team durch.
Kann der Kurs auf unser Team zugeschnitten werden?
Ja. Maßgeschneiderte Kurse kosten ca. 4.500 € mehr, je nach Thema und nach Absprache. Wir stimmen Inhalte, Beispiele und Übungen vorab mit Ihnen ab.
Weitere Schulungen im Bereich Data Science und klassisches Machine Learning
- Big-Data-Analyse mit PySpark
- Databricks für Data Science
- Datenanalyse mit KNIME
- Datenanalyse mit RapidMiner
- Text Mining mit klassischen Verfahren
- Recommender-Systeme Grundlagen
- Data Storytelling
- SQL für Data Science
- Schnelle Datenverarbeitung mit Polars
- Einführung in Data Science
- Gradient Boosting mit XGBoost und LightGBM
- Datenpipelines mit Apache Airflow
Alle 26 Kurse im Bereich Data Science und klassisches Machine Learning