Beschreibung
Machine Learning Algorithmen mit scikit-learn (Python)
Das Paket seaborn ist eine der beliebtesten Bibliotheken zum Visualisieren/Plotten von Ergebnissen. Grundlagen ermöglichen hier, Ergebnisse der ML Auswertungen ansprechend anhand einer Grafik in einer Präsentation zu kommunizieren.Der Einstieg erfolgt mit einem kurzen Abriss in die Grundlagen zum Paket pandas und seaborn. Pandas ermöglicht das einfache Einlesen von abellarischen Daten, z.B. aus einer csv oder Excel Datei. Mögliche Problemstellungen beim Einlesen für die Praxis werden hierbei erörtert.
Entlang des Kurses werden die notwendigen Hintergründe mit dem Ziel gelernt, das Wissen in Selbstlernphasen praktisch einzusetzen. Etwa 50% des Kurses sind Übungsphasen, in denen mit Unterstützung des Dozenten Schwierigkeiten und typische Probleme gelöst werden. Dies ermöglicht, das Gelernte nach dem Seminar direkt im Unternehmen einzusetzen.
Neben dem Paket scikit-learn (in Python der Standard für Machine Learning Verfahren) wird mit JupyterLab gearbeitet, welches eine beliebte Entwicklungsumgebung in der Datenanalyse/Data Science ist.
Kommende Starttermine
Wählen Sie aus 8 verfügbaren Startterminen
Inhalte / Module
- Grundlagen von Maschinellem Lernen
- Unterscheidung Supervised - Unsupervised Learning (überwachtes - unüberwachtes Lernen)
- Overfitting (Überanpassung), Aufteilung der Daten in Training vs. Testdaten
- Datenhandling und Visualisierung
- Daten mit dem Paket pandas einlesen
- Daten auswählen und modifizieren
- Daten visualisieren mit dem Paket seaborn
- Supervised Learning Verfahren
- Erklärung der Algorithmen, praktische Umsetzung in scikit-learn, Praxistipps
- Lineare Regression
- Logistische Regression (mit dem Paket statsmodels)
- Entscheidungsbaum
- Ensemble Methoden (Random Forest, AdaBoost)
- Support Vector Machine
- K-Nearest Neighbor
- Multi-Layer Perceptron (MLP, ein einfaches Neuronales Netz)
- Validierung und Interpretation der supervised Ergebnisse
- Metriken, um die Vorhersagegüte bei Regression und Klassifikation zu bestimmen
- Erklärung und Interpretation der Metriken
- Umsetzung in scikit-learn
- Klassifikation: Accuracy, True Positive Rate, True Negative Rate, Precision, Recall, confusion matrix, ROC Score, AUC
- Regression: MSE (mean squared error), MAE (mean absolute error)
- Unsupervised Learning Verfahren
- K-means Clustering und DBSCAN
- Cluster-Ergebnisse anhand von Metriken einschätzen und interpretieren
- Vergleich von Cluster-Ergebnissen über verschiedene Algorithmen hinweg
- Machine Learning - Anwendungen für die Praxis
- Hyperparameter bei den Algorithmen setzen
- Semi-automatische Hyperparametersuche bei Algorithmen (Hyperparameter Tuning)
- Kreuzvalidierung
Zielgruppe / Voraussetzungen
Abschlussqualifikation / Zertifikat
Infos anfordern
GFU Cyrus AG
Erweitern Sie Ihre IT-Skills mit einem offenen IT-Training oder ganz nach Ihren Bedürfnissen durch eine individuelle IT-Schulung. Programmiersprachen (C#, Python, Java, …), Microsoft Office 365, Anforderungsmanagement, Projektmanagement, Business Intelligence, Data Science, Künstliche Intelligenz, IT-Sicherheit , Administration & Datenbanken, Softwareentwicklung, Testmanagement...
Erfahren Sie mehr über GFU Cyrus AG und weitere Kurse des Anbieters.
Anzeige